Een vorm van machine learning die deep learning wordt genoemd, is een van de belangrijkste technologieën achter recente ontwikkelingen in toepassingen zoals realtime spraakherkenning en geautomatiseerde beeld- en video-labeling.

De aanpak, die gebruikmaakt van meerlagige kunstmatige neurale netwerken om gegevensanalyse te automatiseren, heeft ook een belangrijke belofte getoond voor de gezondheidszorg:het kan worden gebruikt, bijvoorbeeld, om automatisch afwijkingen in röntgenfoto's van patiënten te identificeren, CT-scans en andere medische beelden en gegevens.

In twee nieuwe kranten UCLA-onderzoekers melden dat ze nieuwe toepassingen voor deep learning hebben ontwikkeld:het reconstrueren van een hologram om een ​​microscopisch beeld van een object te vormen en het verbeteren van optische microscopie.

Hun nieuwe holografische beeldvormingstechniek produceert betere beelden dan de huidige methoden die meerdere hologrammen gebruiken, en het is gemakkelijker te implementeren omdat er minder metingen nodig zijn en berekeningen sneller worden uitgevoerd.

Het onderzoek werd geleid door Aydogan Ozcan, een associate director van het UCLA California NanoSystems Institute en de Chancellor's Professor of Electrical and Computer Engineering aan de UCLA Henry Samueli School of Engineering and Applied Science; en door postdoctoraal wetenschapper Yair Rivenson en afgestudeerde student Yibo Zhang, beide van de afdeling elektrotechniek en computertechniek van UCLA.

Voor één studie, gepubliceerd in Licht:wetenschap en toepassingen , de onderzoekers maakten hologrammen van uitstrijkjes, die worden gebruikt om te screenen op baarmoederhalskanker, en bloedmonsters, evenals borstweefselmonsters. In ieder geval, het neurale netwerk leerde de kenmerken van het ware beeld van het object te extraheren en te scheiden van ongewenste lichtinterferentie en van andere fysieke bijproducten van het beeldreconstructieproces.

"Deze resultaten zijn breed toepasbaar op elk faseherstel en holografisch beeldvormingsprobleem, en dit op diepgaand leren gebaseerde raamwerk biedt talloze mogelijkheden om fundamenteel nieuwe coherente beeldvormingssystemen te ontwerpen, verspreid over verschillende delen van het elektromagnetische spectrum, inclusief zichtbare golflengten en zelfs röntgenstralen, " zei Ozcan, die ook een HHMI-hoogleraar is aan het Howard Hughes Medical Institute.

Een ander voordeel van de nieuwe aanpak was dat deze werd bereikt zonder enige modellering van licht-materie-interactie of een oplossing van de golfvergelijking, wat een uitdaging en tijdrovend kan zijn om te modelleren en te berekenen voor elk afzonderlijk monster en elke vorm van licht.

"Dit is een opwindende prestatie, aangezien traditionele, op fysica gebaseerde hologramreconstructiemethoden zijn vervangen door een op diep leren gebaseerde computationele benadering, ' zei Rivenson.

Andere leden van het team waren UCLA-onderzoekers Harun Günaydin en Da Teng, beide leden van Ozcan's lab.

De tweede studie, gepubliceerd in het tijdschrift optiek , de onderzoekers gebruikten hetzelfde diepgaande leerraamwerk om de resolutie en kwaliteit van optische microscopische beelden te verbeteren.

Die vooruitgang zou diagnostici of pathologen kunnen helpen die op zoek zijn naar zeer kleinschalige afwijkingen in een groot bloed- of weefselmonster, en Ozcan zei dat het de krachtige mogelijkheden voor deep learning vertegenwoordigt om optische microscopie voor medische diagnostiek en andere gebieden in engineering en de wetenschappen te verbeteren.