Onderzoekers hebben een nieuw end-to-end neuraal netwerk ontwikkeld dat de reconstructie van holografische beelden kan versnellen. In tegenstelling tot andere deep learning-technieken, kan de aanpak worden gebruikt op monsters die niet tijdens de training worden aangetroffen, waardoor het bijzonder nuttig is voor labelvrije holografische biomedische beeldvorming.

"Met dit raamwerk kan een goed getraind neuraal netwerk overal worden gedistribueerd, zonder finetuning, en snelle en hoogwaardige holografische beeldvorming van verschillende monsters uitvoeren", legt onderzoeksleider Hanlong Chen, University of California, Los Angeles (UCLA) uit.

Hanlong Chen en Aydogan Ozcan zullen het onderzoek presenteren op de Frontiers in Optics + Laser Science Conference (FiO LS)-bijeenkomst in Rochester, New York en online van 17-20 oktober 2022. De presentatie is gepland voor maandag 17 oktober om 16:30 EDT (UTC—04:00).

Een generaliseerbare benadering

Hoewel er verschillende neurale netwerken zijn ontwikkeld om de data-zware taak van hologramreconstructie voor biologisch onderzoek en biomedische toepassingen uit te voeren, zijn de meeste zeer specifiek ontworpen. Dit betekent dat ze mogelijk niet goed presteren als ze worden gebruikt met samples die verschillen van de samples die aanvankelijk werden gebruikt om het netwerk te trainen.

Om dit probleem op te lossen, ontwikkelden Chen en collega's een end-to-end neuraal netwerk genaamd Fourier Imager Network (FIN). Dit type neuraal netwerk wordt getraind met behulp van een enkel model, waarbij enkele van de stappen worden omzeild die gewoonlijk worden gebruikt door andere methoden voor diep leren. End-to-end neurale netwerken zijn ook sneller en mogelijk meer generaliseerbaar naar een grote verscheidenheid aan steekproeven.

Sneller, nauwkeurigere resultaten

Het FIN-raamwerk neemt een reeks van alleen-intensiteit onbewerkte hologrammen die zijn vastgelegd op verschillende afstanden van monster tot sensor met een lensvrije in-line holografische microscoop en creëert gereconstrueerde afbeeldingen van de monsters. Om de nieuwe aanpak te testen, trainden de onderzoekers het netwerk met behulp van longweefselcoupes. Vervolgens gebruikten ze FIN om holografische beelden van menselijk speekselklierweefsel en uitstrijkjes te reconstrueren die tijdens de training niet door het netwerk werden gezien.

FIN werkte goed aan deze nieuwe soorten monsters en leverde nauwkeuriger gereconstrueerde beelden dan een iteratief algoritme en een state-of-the-art deep learning-model. Het toonde ook een ongeveer 50-voudige verbeterde snelheid in vergelijking met het deep learning-model. De onderzoekers zeggen dat deze resultaten de sterke externe generalisatie van FIN aantonen, terwijl ze ook het immense potentieel aantonen van het bouwen van breed generaliseerbare diepe neurale netwerken voor verschillende microscopie- en computationele beeldvormingstaken.

Chen voegde toe:"Onze volgende stap is om autofocus te onderzoeken met behoud van de voordelen van onze aanpak, zoals uitstekende beeldkwaliteit, ongekende generalisatie naar nieuwe soorten monsters en verbeterde rekensnelheid, waardoor holografische beeldvorming mogelijk wordt met apparaten met weinig middelen." + Verder verkennen

Superieur faseherstel en hologramreconstructie met behulp van een diep neuraal netwerk