El aprendizaje profundo permite una rápida reconstrucción de hologramas, mientras se extiende la profundidad de la imagen. Crédito:UCLA Ozcan Research Group
Aprendizaje profundo, que utiliza redes neuronales artificiales de varias capas, es una forma de aprendizaje automático que ha demostrado avances significativos en muchos campos, incluido el procesamiento del lenguaje natural, etiquetado y subtítulos de imágenes / videos. En el procesamiento de imágenes, el aprendizaje profundo demuestra un potencial significativo para la identificación y el etiquetado automatizados de características de interés, como regiones anormales en una imagen médica.
Los investigadores de UCLA han demostrado una aplicación innovadora de aprendizaje profundo para extender significativamente la profundidad de imagen de un holograma. En holografía, la reconstrucción de imágenes requiere realizar un enfoque automático y una recuperación de fase, que son en general engorrosos y requieren mucho tiempo para realizarlos en un gran volumen de muestra. En un artículo reciente publicado en Optica , una revista de la Optical Society of America, Los investigadores de UCLA han demostrado un nuevo enfoque que denominaron HIDEF basado en una red neuronal convolucional que realiza simultáneamente el enfoque automático y la recuperación de fase para extender significativamente la profundidad de campo de la imagen y la velocidad de reconstrucción en holografía.
Esta investigación fue dirigida por el Dr. Aydogan Ozcan, el profesor del canciller de ingeniería eléctrica e informática en UCLA y un profesor del HHMI en el Instituto Médico Howard Hughes, junto con Yichen Wu, un estudiante graduado, y el Dr. Yair Rivenson, un becario postdoctoral, ambos en el departamento de ingeniería eléctrica e informática de UCLA.
Los autores validaron este enfoque basado en el aprendizaje profundo al reconstruir con éxito hologramas de aerosoles y muestras de tejido humano. En general, este enfoque aumenta significativamente la eficiencia computacional y la velocidad de reconstrucción de imágenes holográficas de alta resolución al realizar simultáneamente el enfoque automático y la recuperación de fase, lo que también aumenta la solidez del proceso de reconstrucción de la imagen ante posibles desalineaciones en la configuración óptica al extender la profundidad de las imágenes reconstruidas.
Comparación de los resultados de HIDEF con los resultados de retropropagación en espacio libre (entrada CNN) y recuperación de fase de altura múltiple (recuperación de fase MH), en función de la distancia de desenfoque axial (dz). Crédito:UCLA Ozcan Research Group
"El aprendizaje profundo es misteriosamente poderoso y ha sorprendido a los investigadores de óptica en lo que puede lograr para avanzar en la microscopía óptica, e introducir nuevos métodos de reconstrucción de imágenes. Desde diseños / dispositivos ópticos inspirados en la física, estamos avanzando hacia diseños basados en datos que cambiarán de manera integral tanto el hardware óptico como el software de la microscopía de próxima generación, fusionando los dos de nuevas formas, "agregó Ozcan.
Otros miembros del equipo de investigación fueron Yibo Zhang, Zhensong Wei, Harun Günaydin y Xing Lin, miembros del Laboratorio de Investigación Ozcan en UCLA.
