Una comparación de la generalización interna y externa de FIN y RH-M en secciones de tejido de pulmón y glándulas salivales y muestras de frotis de Papanicolaou. Los resultados de la reconstrucción de MH-PR usando los mismos hologramas de entrada (M=3) también se muestran para comparar. Crédito:Hanlong Chen, UCLA
Los investigadores han desarrollado una nueva red neuronal de extremo a extremo que puede acelerar la reconstrucción de imágenes holográficas. A diferencia de otras técnicas de aprendizaje profundo, el enfoque se puede usar en muestras que no se encuentran durante el entrenamiento, lo que lo hace particularmente útil para imágenes biomédicas holográficas sin etiquetas.
"Con este marco, una red neuronal bien entrenada se puede distribuir en cualquier lugar, sin ajustes finos, y realizar imágenes holográficas rápidas y de alta calidad de varias muestras", explicó el líder de investigación Hanlong Chen, de la Universidad de California, Los Ángeles (UCLA).
Hanlong Chen y Aydogan Ozcan presentarán la investigación en la reunión de la Conferencia Frontiers in Optics + Laser Science (FiO LS) que se llevará a cabo en Rochester, Nueva York y en línea del 17 al 20 de octubre de 2022. La presentación está programada para el lunes 17 de octubre a las 16:30 EDT (UTC—04:00).
Un enfoque generalizable
Aunque se han desarrollado varias redes neuronales para lograr la tarea de reconstrucción de hologramas que requiere muchos datos para la investigación biológica y las aplicaciones biomédicas, la mayoría de ellas están diseñadas para ser muy específicas. Esto significa que es posible que no funcionen bien si se usan con muestras que difieren de las que se usaron inicialmente para entrenar la red.
Para resolver este problema, Chen y sus colegas desarrollaron una red neuronal de extremo a extremo llamada Fourier Imager Network (FIN). Este tipo de red neuronal se entrena utilizando un solo modelo, omitiendo algunos de los pasos que suelen utilizar otros métodos de aprendizaje profundo. Las redes neuronales de extremo a extremo también son más rápidas y potencialmente más generalizables a una amplia variedad de muestras.
Resultados más rápidos y precisos
El marco FIN toma una secuencia de hologramas sin procesar solo de intensidad capturados a diferentes distancias de la muestra al sensor con un microscopio holográfico en línea sin lentes y crea imágenes reconstruidas de las muestras. Para probar el nuevo enfoque, los investigadores entrenaron a la red utilizando secciones de tejido pulmonar. Luego usaron FIN para reconstruir imágenes holográficas de tejido de glándulas salivales humanas y muestras de frotis de Papanicolaou que la red no vio durante el entrenamiento.
FIN funcionó bien en estos nuevos tipos de muestras y entregó imágenes reconstruidas con mayor precisión que un algoritmo iterativo y un modelo de aprendizaje profundo de última generación. También mostró una velocidad mejorada de aproximadamente 50 veces en comparación con el modelo de aprendizaje profundo. Los investigadores dicen que estos resultados demuestran la fuerte generalización externa de FIN al mismo tiempo que muestran el inmenso potencial de construir redes neuronales profundas ampliamente generalizables para diversas tareas de microscopía e imágenes computacionales.
Chen agregó:"Nuestro próximo paso es investigar el enfoque automático mientras conservamos los beneficios de nuestro enfoque, como una excelente calidad de imagen, una generalización sin precedentes a nuevos tipos de muestras y una velocidad computacional mejorada, lo que hace posible la creación de imágenes holográficas con dispositivos de bajos recursos". Recuperación de fase superior y reconstrucción de hologramas utilizando una red neuronal profunda