Een artefactvrije computationele benadering om de fase van licht te extraheren uit ruisrijke intensiteitssignalen verbetert de beeldvorming van transparante objecten, zoals biologische cellen, onder omstandigheden met weinig licht. De procedure scheidt intensiteitssignalen in spectrale kanalen met hoge en lage frequentie. Diepe neurale netwerken zijn getraind om op deze twee frequentiebanden te werken, voordat een definitief algoritme ze recombineert tot een full-band fasebeeld. Deze methode vermijdt de neiging van automatische fase-extractieprogramma's om lage frequenties te overrepresenteren.

Het ophalen van de fase van elektromagnetische velden is een van de belangrijkste problemen in de optica omdat het de vorm van transparante objecten mogelijk maakt, inclusief cellen, te kwantificeren met zichtbaar licht. Fase is een grootheid die betrekking heeft op het golfkarakter van licht; het is niet direct detecteerbaar door onze ogen of gewone camera's, en toch bevat het belangrijke informatie over objecten waar het licht doorheen ging. Het meten van de fase met heel weinig licht kan nog interessanter en nuttiger zijn. Met weinig lichtinval, lichttoxiciteit voor biologische monsters, bijvoorbeeld, is verminderd; echter, het probleem van het herstellen van de fase wordt ook veel moeilijker. Eerdere op deep learning gebaseerde algoritmen verbeterden ten opzichte van traditionele methoden onder omstandigheden met weinig licht, maar vertoonden een neiging om de lage ruimtelijke frequenties in de reconstructies te oververtegenwoordigen, wat betekent dat de reconstructies er wazig uitzagen.

In een nieuw artikel gepubliceerd in Lichtwetenschap en toepassingen , wetenschappers van de 3D Optical Systems Group van het Massachusetts Institute of Technology (MIT) stelden voor om te leren synthetiseren door DNN (LS-DNN) om deze ongelijke getrouwheid te bestrijden door het ingangssignaal te splitsen in lage en hoge ruimtelijke frequentiebanden. Het werd toen mogelijk voor diepe neurale netwerken om deze twee frequentiebanden te verwerken, respectievelijk; vervolgens, een derde neuraal netwerk leerde de twee frequentiebanden te synthetiseren tot de uiteindelijke reconstructie die in alle frequentiebanden van hoge kwaliteit is. De auteurs ontdekten dat de LS-methode bijzonder robuust is bij het verwerken van signalen met extreem veel ruis.

De wetenschappers vatten de impact van hun LS-DNN-algoritme samen als:"We hebben een raamwerk voorgesteld dat, wanneer we de leeralgoritmen opzettelijk buiten hun comfortzone gebruiken, d.w.z. met andere soorten voorbeelden dan waarmee de algoritmen zijn getraind, leidt niet tot rampspoed zoals bij alternatieve benaderingen. Dat is te danken aan de splitsende en recombinerende structuur van de architectuur die we bedachten. Bijvoorbeeld, de lage frequentiebanden worden verwerkt door een neuraal netwerk dat weet hoe om te gaan met lage frequenties, maar het maakt niet per se uit van welk type objecten de lage frequenties afkomstig zijn. Zo ook voor de hoge frequenties. De synthesizer wordt ook getraind om de twee banden optimaal te recombineren. Dit soort robuustheid suggereert dat het algoritme goed toepasbaar is in praktische situaties."

"Het belangrijkste voordeel van werken bij weinig licht is dat je de hoeveelheid licht die je aan het monster afgeeft kunt verminderen. Onze experimenten zijn uitgevoerd met zichtbaar licht, maar dezelfde principes zijn van toepassing op andere banden van elektromagnetische straling, bijv. Röntgenstralen. We weten dat röntgenstraling schadelijk is, dus als je dezelfde beeldkwaliteit kunt krijgen maar met een veel lagere stralingsdosis, dat zou een grote vooruitgang zijn."

"De LS-methode is veelzijdig en aanpasbaar aan een grote verscheidenheid aan problemen die we inverse, wat betekent dat je een indirecte en onvolledige of luidruchtige waarneming van een object hebt, en je probeert het object zelf correct te onthullen. Van röntgenfoto's die we eerder noemden tot echo's, MRI, geowetenschappelijk onderzoek om benzine te ontdekken - dit zijn allemaal voorbeelden van vergelijkbare problemen. Onze techniek, in principe, is toepasbaar omdat de concurrentie tussen lage en hoge frequenties gemeenschappelijk is voor al deze problemen, en dat geldt ook voor de ruis en het beperkte signaal. We hebben dus goede hoop dat er zeer binnenkort duidelijkere beelden zullen worden verkregen in al deze verschillende domeinen, ’ concludeerden ze.