Un enfoque computacional sin artefactos para extraer la fase de luz de señales de intensidad ruidosas mejora la imagen de objetos transparentes. como las células biológicas, en condiciones de poca luz. El procedimiento separa las señales de intensidad en canales espectrales de alta y baja frecuencia. Las redes neuronales profundas están capacitadas para operar en estas dos bandas de frecuencia, antes de que un algoritmo final los recombine en una imagen de fase de banda completa. Este método evita la tendencia de los programas de extracción de fase automática a sobrerrepresentar las bajas frecuencias.

La recuperación de fase de campos electromagnéticos es uno de los problemas más importantes en óptica ya que permite la forma de objetos transparentes, incluidas las células, a cuantificar utilizando luz visible. La fase es una cantidad que se relaciona con la naturaleza ondulatoria de la luz; no es directamente detectable por nuestros ojos o cámaras comunes, y, sin embargo, lleva información importante sobre los objetos por los que pasó la luz. Medir la fase con muy poca luz puede ser aún más interesante y útil. Con poca incidencia de luz, toxicidad leve para muestras biológicas, por ejemplo, esta reducido; sin embargo, el problema de recuperar la fase también se vuelve mucho más difícil. Los algoritmos anteriores basados ​​en el aprendizaje profundo mejoraron con respecto a los métodos tradicionales en condiciones de poca luz, pero mostró una tendencia a sobrerrepresentar las bajas frecuencias espaciales en las reconstrucciones, lo que significa que las reconstrucciones se veían borrosas.

En un nuevo artículo publicado en Ciencias de la luz y aplicaciones , Científicos del Grupo de Sistemas Ópticos 3-D del Instituto de Tecnología de Massachusetts (MIT) propusieron el enfoque de aprendizaje a sintetizar mediante DNN (LS-DNN) para combatir esta fidelidad desigual al dividir la señal de entrada en bandas de frecuencia espacial baja y alta. Entonces fue posible que las redes neuronales profundas procesaran estas dos bandas de frecuencia, respectivamente; después, una tercera red neuronal aprendió a sintetizar las dos bandas de frecuencia en la reconstrucción final que es de alta fidelidad en todas las bandas de frecuencia. Los autores descubrieron que el método LS es particularmente robusto para manejar señales de intensidad extremadamente ruidosas.

Los científicos resumen el impacto de su algoritmo LS-DNN como:"Propusimos un marco tal que cuando operamos intencionalmente los algoritmos de aprendizaje fuera de su zona de comodidad, es decir, con tipos de ejemplos diferentes a los que se entrenaron los algoritmos, no conduce al desastre como ocurre con los enfoques alternativos. Eso es gracias a la estructura de división y recombinación de la arquitectura que se nos ocurrió. Por ejemplo, las bandas de baja frecuencia son procesadas por una red neuronal que sabe cómo manejar las bajas frecuencias, pero no necesariamente le importa de qué tipo de objetos provienen las bajas frecuencias. Lo mismo ocurre con las altas frecuencias. El sintetizador también está entrenado para recombinar las dos bandas de manera óptima. Este tipo de robustez sugiere que el algoritmo es fácilmente aplicable en situaciones prácticas ".

"La principal ventaja de operar en régimen de poca luz es que puede reducir la cantidad de luz que entrega a la muestra. Nuestros experimentos se llevaron a cabo con luz visible; sin embargo, los mismos principios se aplican a otras bandas de radiación electromagnética, p.ej. Rayos X. Sabemos que los rayos X son dañinos, de modo que si puede obtener la misma calidad de imagen pero con una dosis de radiación mucho menor, eso sería un gran avance ".

"El método LS es versátil y adaptable a una gran variedad de problemas que llamamos inversa, lo que significa que tiene una observación indirecta e incompleta o ruidosa de un objeto, y estás intentando revelar el objeto en sí correctamente. Desde las radiografías que mencionamos antes hasta las ecografías, Resonancia magnética Investigaciones de geociencias para descubrir gasolina:todos estos son ejemplos de problemas similares. Nuestra técnica, en principio, es aplicable porque la competencia entre bajas y altas frecuencias es común a todos estos problemas, y también lo es el ruido y la señal limitada. Así que tenemos grandes esperanzas de que muy pronto se obtengan imágenes más claras en todos estos dominios diversos, "concluyeron.