Digitale holografische microscopie is een beeldvormingsmodaliteit die de afbeeldingen van 3D-monsters digitaal kan reconstrueren uit een enkel hologram door het digitaal opnieuw te focussen door het volledige 3D-monstervolume. In vergelijking, scannen door een monstervolume met een conventionele lichtmicroscoop vereist het gebruik van een mechanisch platform om het monster te verplaatsen en meerdere afbeeldingen op verschillende diepten te nemen, die een beperking stelt aan de haalbare beeldsnelheid en doorvoer. Bovendien, holografische beeldvorming kan worden uitgevoerd tegen een fractie van de grootte en kosten van een conventionele helderveldmicroscoop, ook een veel groter gezichtsveld bestrijkt. Dit heeft een groot aantal draagbare apparaten mogelijk gemaakt die worden aangedreven door holografie voor biomedische diagnostiek en toepassingen voor omgevingsdetectie. Ondanks deze voordelen, de resulterende beelden van een holografische microscoop hebben in het algemeen last van aan lichtinterferentie gerelateerde ruimtelijke artefacten, die het haalbare contrast in het gereconstrueerde hologram kunnen beperken.

Onderzoekers van de UCLA hebben een nieuwe kunstmatige, op neurale netwerken gebaseerde methode ontwikkeld om deze beperkingen van holografische 3D-beeldvorming te overwinnen. Deze nieuwe methode, helderveldholografie genoemd, heeft het beste van twee werelden omdat het het beeldcontrastvoordeel van helderveldmicroscopie combineert met de snapshot-volumetrische beeldvormingscapaciteit van holografie. In helderveldholografie, een diep neuraal netwerk wordt getraind met behulp van co-geregistreerde paren van digitaal opnieuw gefocuste hologrammen en de bijbehorende helderveldmicroscoopbeelden om de statistische beeldtransformatie tussen twee verschillende microscopiemodaliteiten te leren. Na zijn opleiding, het diepe neurale netwerk neemt een digitaal geherfocusseerd hologram op dat overeenkomt met een bepaalde diepte binnen het monstervolume en transformeert het in een beeld dat equivalent is aan een helderveldmicroscoopbeeld dat op dezelfde diepte is verkregen, overeenkomend met het ruimtelijke en kleurcontrast, evenals het optische snijvermogen van een helderveldmicroscoop. Hoewel het trainen van zo'n neuraal netwerk ~40 uur duurt, nadat het is getraind, het netwerk blijft vast en kan snel zijn outputbeeld creëren, binnen een seconde voor een hologram met miljoenen pixels.

Dit onderzoek is gepubliceerd in Licht:wetenschap en toepassingen , een open access tijdschrift van Springer Nature. Het onderzoek werd geleid door Dr. Aydogan Ozcan, de bondskanselier hoogleraar elektrische en computertechniek aan de UCLA Henry Samueli School of Engineering and Applied Science, en een associate director van het California NanoSystems Institute (CNSI), samen met Yichen Wu een afgestudeerde student en Dr. Yair Rivenson, een adjunct-hoogleraar elektrische en computertechniek aan de UCLA.

"Helderveldholografie overbrugt de contrastkloof tussen de klassieke hologramreconstructiemethoden en een hoogwaardige helderveldmicroscoop, terwijl ook de noodzaak wordt geëlimineerd om complexe hardware en mechanisch scannen te gebruiken om snel monstervolumes in beeld te brengen, "zei prof. Ozcan. Een van de toepassingen die onmiddellijk zullen profiteren van deze technologie is snelle volumetrische beeldvorming van dynamische gebeurtenissen binnen grote volumes, nieuwe wegen openen voor het aanzienlijk verbeteren van high-throughput-beeldvorming van vloeistofmonsters door middel van deep learning.