Optische microscopen worden vaak gebruikt in de biomedische wetenschappen om fijne kenmerken van een specimen te onthullen, zoals menselijke weefselmonsters en cellen, vormt de ruggengraat van pathologische beeldvorming voor de diagnose van ziekten. Een van de meest kritische stappen bij microscopische beeldvorming is autofocus, zodat verschillende delen van een monster snel allemaal scherp kunnen worden afgebeeld, met verschillende details met een resolutie die kleiner is dan een miljoenste van een meter. Het handmatig scherpstellen van deze microscoopbeelden door een deskundige is onpraktisch, vooral voor snelle beeldvorming van een groot aantal specimens, zoals in een pathologisch laboratorium dat dagelijks honderden patiëntmonsters verwerkt.

UCLA-onderzoekers hebben een nieuwe autofocustechniek voor afbeeldingen ontwikkeld om een ​​bepaald microscopiebeeld digitaal in beeld te brengen zonder het gebruik van speciale microscoophardware of -apparatuur tijdens de beeldacquisitiefase. Deze nieuwe aanpak is gebaseerd op deep learning, waarbij een kunstmatig neuraal netwerk wordt getraind om een ​​enkel onscherp beeld als invoer te nemen om snel een scherp beeld van hetzelfde monster te maken, zonder enige voorkennis van de defocusafstand of enige aannames met betrekking tot de beeldvervagingsfunctie.

Gepubliceerd in ACS Fotonica , een tijdschrift van de American Chemical Society, Het UCLA-team heeft het succes van deze op deep learning gebaseerde autofocusmethode aangetoond op menselijke monsters, waaronder borst-, ovariële en prostaatweefselsecties, afgebeeld met fluorescentie- en helderveldmicroscopen. Vergeleken met standaard autofocusalgoritmen, UCLA's neurale netwerk verbeterde de autofocussnelheid van een microscoop met een factor 15, resulterend in een grote tijdsbesparing, wat vooral belangrijk is voor pathologielaboratoria die snel grote aantallen weefselmonsters moeten afbeelden. Eenvoudig te implementeren en puur rekenkundig, deze nieuwe autofocusbenadering met diep leren kan worden toegepast op een breed scala aan microscopen, omdat er geen hardwareaanpassingen aan het beeldvormingssysteem nodig zijn.