Los microscopios ópticos se utilizan con frecuencia en las ciencias biomédicas para revelar características finas de una muestra, como muestras de tejido humano y células, formando la columna vertebral de las imágenes patológicas para el diagnóstico de enfermedades. Uno de los pasos más críticos en la obtención de imágenes microscópicas es el enfoque automático para que las diferentes partes de una muestra puedan captarse rápidamente y enfocadas, con varios detalles con una resolución inferior a una millonésima de metro. El enfoque manual de estas imágenes microscópicas por parte de un experto no es práctico, especialmente para obtener imágenes rápidas de una gran cantidad de muestras, como en un laboratorio de patología que procesa cientos de muestras de pacientes todos los días.

Los investigadores de UCLA han creado una nueva técnica de autoenfoque de imágenes para enfocar digitalmente una imagen microscópica determinada sin el uso de un hardware o equipo especial de microscopio durante la fase de adquisición de imágenes. Este nuevo enfoque se basa en el aprendizaje profundo, donde se entrena una red neuronal artificial para tomar una sola imagen desenfocada como entrada para crear rápidamente una imagen enfocada de la misma muestra, sin necesidad de ningún conocimiento previo de la distancia de desenfoque o suposiciones sobre la función de desenfoque de la imagen.

Publicado en Fotónica ACS , una revista de la American Chemical Society, El equipo de UCLA ha demostrado el éxito de este método de enfoque automático basado en el aprendizaje profundo en muestras humanas, incluida la mama, secciones de tejido de ovario y próstata, fotografiado con microscopios de fluorescencia y de campo claro. En comparación con los algoritmos de enfoque automático estándar, La red neuronal de UCLA aumentó 15 veces la velocidad de enfoque automático de un microscopio, resultando en importantes ahorros de tiempo, lo cual es especialmente importante para los laboratorios de patología que necesitan obtener imágenes rápidamente de grandes cantidades de muestras de tejido. Simple de implementar y puramente computacional, Este nuevo enfoque de enfoque automático habilitado para el aprendizaje profundo puede aplicarse a una amplia gama de microscopios, ya que no requiere modificaciones de hardware en el sistema de imágenes.