El aprendizaje profundo ha logrado resultados de referencia para varias tareas de imágenes, incluida la microscopía holográfica, donde un paso esencial es recuperar la información de fase de las muestras utilizando solo mediciones de intensidad. Mediante el entrenamiento en conjuntos de datos bien diseñados, las redes neuronales profundas han demostrado superar a los algoritmos clásicos de recuperación de fase y reconstrucción de hologramas en términos de precisión y eficiencia computacional. Sin embargo, la generalización del modelo, que se refiere a extender las capacidades de las redes neuronales a nuevos tipos de muestras nunca vistas durante el entrenamiento, sigue siendo un desafío para los modelos de aprendizaje profundo existentes.

Los investigadores de la UCLA crearon recientemente una nueva arquitectura de red neuronal, denominada Fourier Imager Network (FIN), que demostró una generalización sin precedentes a tipos de muestras invisibles, y también logró una velocidad computacional superior en tareas de recuperación de fase y reconstrucción de imágenes holográficas. En este nuevo enfoque, introdujeron módulos de transformada espacial de Fourier que permiten que la red neuronal aproveche las frecuencias espaciales de la imagen completa. Los investigadores de la UCLA entrenaron su modelo FIN en muestras de tejido pulmonar humano y demostraron su generalización superior al reconstruir los hologramas de secciones de tejido de próstata y glándulas salivales humanas, y muestras de frotis de Papanicolaou, que nunca se vieron en la fase de entrenamiento.

Publicado en Light:Science &Applications , se informa que este nuevo marco basado en el aprendizaje profundo logra una mayor precisión de reconstrucción de imágenes en comparación con los algoritmos de reconstrucción de hologramas clásicos y los modelos de aprendizaje profundo de última generación, al tiempo que reduce el tiempo de reconstrucción en ~50 veces. Este nuevo marco de aprendizaje profundo se puede usar ampliamente para crear redes neuronales altamente generalizables para diversas tareas de imágenes microscópicas y visión por computadora.

Esta investigación fue dirigida por el Dr. Aydogan Ozcan, Profesor del Canciller y Presidente Volgenau de Innovación en Ingeniería en UCLA y Profesor del HHMI en el Instituto Médico Howard Hughes. Los otros autores de este trabajo incluyen a Hanlong Chen, Luzhe Huang y Tairan Liu, todos del departamento de Ingeniería Eléctrica e Informática de la UCLA. El Prof. Ozcan también tiene nombramientos en la facultad de UCLA en los departamentos de bioingeniería y cirugía y es director asociado del Instituto de Nanosistemas de California. + Explora más

Imágenes holográficas más rápidas mediante redes neuronales recurrentes