Onderzoekers van de UCLA Samueli School of Engineering hebben aangetoond dat deep learning, een krachtige vorm van kunstmatige intelligentie, kan microscopische details onderscheiden en verbeteren in foto's die met smartphones zijn gemaakt. De techniek verbetert de resolutie en kleurdetails van smartphone-afbeeldingen zo sterk dat ze de kwaliteit van afbeeldingen van microscopen van laboratoriumkwaliteit benaderen.

De vooruitgang kan helpen om hoogwaardige medische diagnostiek naar arme regio's te brengen, waar mensen anders geen toegang hebben tot hoogwaardige diagnostische technologieën. En de techniek maakt gebruik van bijlagen die goedkoop kunnen worden geproduceerd met een 3D-printer, voor minder dan $ 100 per stuk, tegenover de duizenden dollars die het zou kosten om apparatuur van laboratoriumkwaliteit te kopen die beelden van vergelijkbare kwaliteit produceert.

Camera's op de smartphones van tegenwoordig zijn ontworpen om mensen en landschappen te fotograferen, geen microscopische beelden met een hoge resolutie te produceren. Dus ontwikkelden de onderzoekers een opzetstuk dat over de smartphonelens kan worden geplaatst om de resolutie en de zichtbaarheid van kleine details van de foto's die ze maken te vergroten, tot op een schaal van ongeveer een miljoenste van een meter.

Maar dat loste slechts een deel van de uitdaging op, omdat geen enkele bijlage voldoende zou zijn om het kwaliteitsverschil tussen de beeldsensoren en lenzen van smartphonecamera's en die van hoogwaardige laboratoriumapparatuur te compenseren. De nieuwe techniek compenseert het verschil door kunstmatige intelligentie te gebruiken om het resolutieniveau en de kleurdetails te reproduceren die nodig zijn voor een laboratoriumanalyse.

Het onderzoek werd geleid door Aydogan Ozcan, Chancellor's hoogleraar elektrische en computertechniek en bio-engineering, en Yair Rivenson, een UCLA postdoctoraal onderzoeker. De onderzoeksgroep van Ozcan heeft verschillende innovaties geïntroduceerd op het gebied van mobiele microscopie en detectie, en het handhaaft een bijzondere focus op de ontwikkeling van draagbare medische diagnostiek en sensoren voor arme gebieden.

"Door gebruik te maken van diep leren, we wilden de kloof in beeldkwaliteit overbruggen tussen goedkope microscopen voor mobiele telefoons en tafelmicroscopen met gouden standaard die hoogwaardige lenzen gebruiken, " zei Ozcan. "Wij geloven dat onze aanpak breed toepasbaar is op andere goedkope microscopiesystemen die gebruik maken van, bijvoorbeeld, goedkope lenzen of camera's, en zou de vervanging van hoogwaardige tafelmicroscopen kunnen vergemakkelijken door kosteneffectieve, mobiele alternatieven."

Hij voegde eraan toe dat de nieuwe techniek tal van toepassingen kan vinden in de wereldwijde gezondheidszorg, telegeneeskunde en diagnostiek gerelateerde toepassingen.

De onderzoekers schoten beelden van longweefselmonsters, bloed en uitstrijkjes, eerst met behulp van een standaard laboratoriummicroscoop, en vervolgens met een smartphone met het 3D-geprinte microscoopopzetstuk. De onderzoekers voerden vervolgens de paren van overeenkomstige afbeeldingen in een computersysteem dat "leert" hoe de afbeeldingen van mobiele telefoons snel kunnen worden verbeterd. Het proces is gebaseerd op een op deep learning gebaseerde computercode, die is ontwikkeld door de UCLA-onderzoekers.

Om te zien of hun techniek zou werken op andere soorten afbeeldingen van lagere kwaliteit, de onderzoekers gebruikten deep learning om met succes vergelijkbare transformaties uit te voeren met afbeeldingen die wat detail hadden verloren omdat ze waren gecomprimeerd voor snellere verzending via een computernetwerk of efficiëntere opslag.

De studie is gepubliceerd in ACS Fotonica , een tijdschrift van de American Chemical Society. Het bouwt voort op eerdere studies van Ozcan's groep die deep learning gebruikten om hologrammen te reconstrueren en microscopie te verbeteren.