Una forma de aprendizaje automático llamada aprendizaje profundo es una de las tecnologías clave detrás de los avances recientes en aplicaciones como el reconocimiento de voz en tiempo real y el etiquetado automatizado de imágenes y videos.

El enfoque, que utiliza redes neuronales artificiales de varias capas para automatizar el análisis de datos, también se ha mostrado muy prometedor para el cuidado de la salud:podría usarse, por ejemplo, para identificar automáticamente anomalías en las radiografías de los pacientes, Tomografías computarizadas y otras imágenes y datos médicos.

En dos nuevos papeles, Los investigadores de UCLA informan que han desarrollado nuevos usos para el aprendizaje profundo:reconstruir un holograma para formar una imagen microscópica de un objeto y mejorar la microscopía óptica.

Su nueva técnica de imágenes holográficas produce mejores imágenes que los métodos actuales que utilizan múltiples hologramas, y es más fácil de implementar porque requiere menos mediciones y realiza cálculos más rápido.

La investigación fue dirigida por 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; y por el erudito postdoctoral Yair Rivenson y el estudiante graduado Yibo Zhang, ambos del departamento de ingeniería eléctrica e informática de UCLA.

Para un estudio, publicado en Luz:ciencia y aplicaciones , los investigadores produjeron hologramas de frotis de Papanicolaou, que se utilizan para detectar el cáncer de cuello uterino, y muestras de sangre, así como muestras de tejido mamario. En cada caso, la red neuronal aprendió a extraer y separar las características de la imagen real del objeto de la interferencia de luz no deseada y de otros subproductos físicos del proceso de reconstrucción de la imagen.

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

Otra ventaja del nuevo enfoque fue que se logró sin ningún modelo de interacción luz-materia o una solución de la ecuación de onda. que puede ser un desafío y llevar mucho tiempo de modelar y calcular para cada muestra individual y forma de luz.

"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.

Otros miembros del equipo fueron los investigadores de UCLA Harun Günaydin y Da Teng, ambos miembros del laboratorio de Ozcan.

El segundo estudio, publicado en la revista Optica , los investigadores utilizaron el mismo marco de aprendizaje profundo para mejorar la resolución y la calidad de las imágenes microscópicas ópticas.

Ese avance podría ayudar a los diagnosticadores o patólogos que buscan anomalías a muy pequeña escala en una muestra grande de sangre o tejido. y Ozcan dijo que representa las poderosas oportunidades para el aprendizaje profundo para mejorar la microscopía óptica para diagnósticos médicos y otros campos de la ingeniería y las ciencias.