UCLA-Ingenieure nutzen das "Deep Learning", um Hologramme zu rekonstruieren und die optische Mikroskopie zu verbessern

Anonim

Eine Form des maschinellen Lernens, Deep Learning genannt, ist eine der Schlüsseltechnologien, die den jüngsten Fortschritten in Anwendungen wie Echtzeit-Spracherkennung und automatisierter Bild- und Video-Kennzeichnung zu verdanken sind.

Der Ansatz, der zur Automatisierung der Datenanalyse mehrschichtige künstliche neuronale Netze verwendet, hat sich auch für die Gesundheitsversorgung als vielversprechend erwiesen: Er könnte beispielsweise dazu dienen, Anomalien bei Patientenröntgenaufnahmen, CT-Scans und anderen medizinischen Bildern automatisch zu erkennen und Daten.

In zwei neuen Arbeiten berichten UCLA-Forscher, dass sie neue Anwendungen für das Deep Learning entwickelt haben: die Rekonstruktion eines Hologramms, um ein mikroskopisches Bild eines Objekts zu erzeugen, und die Verbesserung der optischen Mikroskopie.

Ihr neues holografisches Bildgebungsverfahren erzeugt bessere Bilder als derzeitige Verfahren, die mehrere Hologramme verwenden, und es ist einfacher zu implementieren, da es weniger Messungen erfordert und Berechnungen schneller durchführt.

Die Forschung wurde von Aydogan Ozcan, einem Associate Director des UCLA California NanoSystems Institute und dem Kanzler der Professor für Elektrotechnik und Computer Engineering an der UCLA Henry Samueli School of Engineering und angewandte Wissenschaft geführt; und Yad Rivenson, Postdoktorandin, und Yibo Zhang, Doktorand der Elektrotechnik und Computertechnik an der UCLA.

Für eine Studie, die in Light: Science and Applications veröffentlicht wurde, produzierten die Forscher Hologramme von Pap-Abstrichen, die zum Screening auf Gebärmutterhalskrebs und Blutproben sowie Brustgewebeproben verwendet werden. In jedem Fall lernte das neuronale Netzwerk, die Merkmale des wahren Bildes des Objekts von unerwünschter Lichtinterferenz und von anderen physikalischen Nebenprodukten des Bildrekonstruktionsprozesses zu extrahieren und zu trennen.

"Diese Ergebnisse sind in breitem Umfang auf jedes Phasenwiederherstellung- und holographische Bildgebungsproblem anwendbar, und dieses auf Deep Learning basierende Framework eröffnet unzählige Möglichkeiten, grundlegend neue kohärente Bildgebungssysteme zu entwerfen, die verschiedene Teile des elektromagnetischen Spektrums umfassen, einschließlich sichtbarer Wellenlängen und sogar X- Strahlen ", sagte Ozcan, der auch ein HHMI-Professor am Howard Hughes Medical Institute ist.

Ein weiterer Vorteil des neuen Ansatzes war, dass er ohne Modellierung der Licht-Materie-Wechselwirkung oder einer Lösung der Wellengleichung erreicht wurde, die für jede einzelne Lichtprobe und -form schwierig und zeitaufwendig zu modellieren und zu berechnen ist.

"Dies ist eine aufregende Errungenschaft, da traditionelle Methoden der holographischen Rekonstruktion auf der Grundlage von Physik durch einen Deep-Learning-basierten computergestützten Ansatz ersetzt wurden", sagte Rivenson.

Weitere Mitglieder des Teams waren die UCLA-Forscher Harun Günaydin und Da Teng, beide Mitglieder von Ozcans Labor.

Die zweite Studie, die in der Fachzeitschrift Optica veröffentlicht wurde, nutzte das gleiche Deep-Learning-Framework, um die Auflösung und Qualität von optischen mikroskopischen Bildern zu verbessern.

Dieser Fortschritt könnte Diagnostiker oder Pathologen bei der Suche nach sehr kleinen Abnormalitäten in einer großen Blut- oder Gewebeprobe unterstützen, und Ozcan sagte, dass es die mächtigen Möglichkeiten für tiefes Lernen zur Verbesserung der optischen Mikroskopie für die medizinische Diagnostik und andere Bereiche in den Ingenieurwissenschaften und den Wissenschaften darstellt.

menu
menu