El aprendizaje profundo ha experimentado un verdadero renacimiento, especialmente durante la última década, y utiliza redes neuronales artificiales de varias capas para el análisis automatizado de datos. El aprendizaje profundo es una de las formas más emocionantes de aprendizaje automático que está detrás de varios avances tecnológicos recientes que incluyen, por ejemplo, el reconocimiento y la traducción de voz en tiempo real, así como el etiquetado y subtítulos de imágenes / videos. Entre muchos otros. Especialmente en análisis de imágenes, el aprendizaje profundo muestra una promesa significativa para la búsqueda automatizada y el etiquetado de características de interés, como regiones anormales en una imagen médica.

Ahora, Los investigadores de UCLA han demostrado un nuevo uso del aprendizaje profundo, esta vez para reconstruir un holograma y formar una imagen microscópica de un objeto. En un artículo reciente que se publica en Luz:ciencia y aplicaciones , un diario de Springer Nature, Los investigadores de UCLA han demostrado que una red neuronal puede aprender a realizar la recuperación de fase y la reconstrucción de imágenes holográficas después de un entrenamiento apropiado. Este enfoque basado en el aprendizaje profundo proporciona un marco fundamentalmente nuevo para realizar imágenes holográficas y, en comparación con los enfoques existentes, es significativamente más rápido calcular y reconstruir imágenes mejoradas de los objetos utilizando un solo holograma. de modo que requiere menos mediciones además de ser computacionalmente más rápido.

Esta investigación fue dirigida por el Dr. Aydogan Ozcan, un director asociado del Instituto UCLA California NanoSystems y el Profesor Canciller de ingeniería eléctrica e informática en la Escuela de Ingeniería y Ciencias Aplicadas Henry Samueli de UCLA, junto con el Dr. Yair Rivenson, un becario postdoctoral, y Yibo Zhang, un estudiante graduado, ambos en el departamento de ingeniería eléctrica e informática de UCLA.

Los autores validaron este enfoque basado en el aprendizaje profundo mediante la reconstrucción de hologramas de varias muestras que incluyen frotis de sangre y Papanicolaou (utilizados para la detección del cáncer de cuello uterino), así como secciones delgadas de muestras de tejido utilizadas en patología. todo lo cual demostró la eliminación exitosa de los artefactos espaciales que surgen de la información de fase perdida en el proceso de grabación del holograma. Dicho de otra manera, después de su entrenamiento, la red neuronal ha aprendido a extraer y separar las características espaciales de la imagen real del objeto de la interferencia de luz no deseada y los artefactos relacionados. Notablemente, Esta recuperación de hologramas basada en aprendizaje profundo se ha logrado sin ningún modelo de interacción luz-materia o una solución de la ecuación de onda. "Este es un logro emocionante ya que los métodos tradicionales de reconstrucción de hologramas basados ​​en la física han sido reemplazados por un enfoque computacional basado en el aprendizaje profundo", dijo Rivenson.

"Estos resultados son ampliamente aplicables a cualquier recuperación de fase y problema de imágenes holográficas, y este marco basado en el aprendizaje profundo abre una miríada de oportunidades para diseñar sistemas de imágenes coherentes fundamentalmente nuevos, abarcando diferentes partes del espectro electromagnético, incluyendo longitudes de onda visibles, así como el régimen de rayos X ", agregó Ozcan, quien también es profesor del HHMI en el Instituto Médico Howard Hughes.

Otros miembros del equipo de investigación fueron Harun Günaydın y Da Teng, miembros del Laboratorio de Investigación Ozcan en UCLA.