Diep leren, die gebruikmaakt van meerlagige kunstmatige neurale netwerken, is een vorm van machine learning die op veel gebieden aanzienlijke vooruitgang heeft opgeleverd, inclusief natuurlijke taalverwerking, labeling en ondertiteling van afbeeldingen/video's. Bij beeldverwerking, deep learning toont een aanzienlijk potentieel aan voor geautomatiseerde identificatie en etikettering van interessante kenmerken, zoals abnormale regio's in een medisch beeld.

UCLA-onderzoekers hebben een innovatieve toepassing van deep learning aangetoond om de beelddiepte van een hologram aanzienlijk te vergroten. In holografie, beeldreconstructie vereist het uitvoeren van autofocus en faseherstel, die in het algemeen omslachtig en tijdrovend zijn om over een groot monstervolume uit te voeren. In een recent artikel gepubliceerd in optiek , een tijdschrift van de Optical Society of America, UCLA-onderzoekers hebben een nieuwe benadering gedemonstreerd die ze HIDEF noemden, gebaseerd op een convolutioneel neuraal netwerk dat gelijktijdig autofocus en faseherstel uitvoert om de beeldscherptediepte en de reconstructiesnelheid in holografie aanzienlijk te vergroten.

Dit onderzoek werd geleid door Dr. Aydogan Ozcan, de Chancellor's Professor of Electrical and Computer Engineering aan de UCLA en een HHMI Professor bij het Howard Hughes Medical Institute, samen met Yichen Wu, een afgestudeerde student, en dr. Yair Rivenson, een postdoctoraal onderzoeker, zowel op de afdeling elektrotechniek en computertechniek van de UCLA.

De auteurs valideerden deze op deep learning gebaseerde benadering door met succes hologrammen van aerosolen en menselijke weefselmonsters te reconstrueren. Algemeen, deze benadering verhoogt de rekenefficiëntie en de reconstructiesnelheid van holografische beeldvorming met hoge resolutie aanzienlijk door gelijktijdig autofocus en faseherstel uit te voeren, wat ook de robuustheid van het beeldreconstructieproces verhoogt tegen mogelijke verkeerde uitlijningen in de optische opstelling door de diepte van de gereconstrueerde beelden uit te breiden.

"Deep learning is mysterieus krachtig en heeft opticaonderzoekers verrast in wat het kan bereiken voor het bevorderen van optische microscopie, en de introductie van nieuwe methoden voor beeldreconstructie. Van op fysica geïnspireerde optische ontwerpen/apparaten, we evolueren naar datagestuurde ontwerpen die zowel optische hardware als software van de volgende generatie microscopie holistisch zullen veranderen, de twee op nieuwe manieren vermengen, ", voegde Ozcan eraan toe.

Andere leden van het onderzoeksteam waren Yibo Zhang, Zhensong Wei, Harun Gunaydin en Xing Lin, leden van het Ozcan Research Lab aan de UCLA.