Deep learning har uppnått riktmärkeresultat för olika avbildningsuppgifter, inklusive holografisk mikroskopi, där ett väsentligt steg är att återställa fasinformationen för prover med hjälp av enbart intensitetsmätningar. Genom att träna på väldesignade datauppsättningar har djupa neurala nätverk visat sig överträffa klassisk fashämtning och hologramrekonstruktionsalgoritmer när det gäller noggrannhet och beräkningseffektivitet. Modellgeneralisering, som hänvisar till att utöka de neurala nätverkens kapacitet till nya typer av prover som aldrig setts under utbildningen, förblir dock en utmaning för befintliga modeller för djupinlärning.

UCLA-forskare har nyligen skapat en ny neural nätverksarkitektur, kallad Fourier Imager Network (FIN), som visade en aldrig tidigare skådad generalisering till osynliga provtyper, som också uppnådde överlägsen beräkningshastighet i fasåtervinning och holografiska bildrekonstruktionsuppgifter. I detta nya tillvägagångssätt introducerade de rumsliga Fourier-transformmoduler som gör det möjligt för det neurala nätverket att dra fördel av de rumsliga frekvenserna i hela bilden. UCLA-forskare tränade sin FIN-modell på humana lungvävnadsprover och visade dess överlägsna generalisering genom att rekonstruera hologrammen av mänskliga prostata- och spottkörtelvävnadssektioner och cellprover, som aldrig sågs under träningsfasen.

Publicerad i Light:Science &Applications , rapporteras detta nya djupinlärningsbaserade ramverk uppnå högre bildrekonstruktionsnoggrannhet jämfört med de klassiska hologramrekonstruktionsalgoritmerna och de senaste djupinlärningsmodellerna, samtidigt som rekonstruktionstiden förkortas med ~50 gånger. Detta nya ramverk för djupinlärning kan användas i stor utsträckning för att skapa mycket generaliserbara neurala nätverk för olika mikroskopiska avbildnings- och datorseendeuppgifter.

Denna forskning leddes av Dr. Aydogan Ozcan, kanslersprofessor och Volgenau-ordförande för teknisk innovation vid UCLA och HHMI-professor vid Howard Hughes Medical Institute. De andra författarna till detta arbete inkluderar Hanlong Chen, Luzhe Huang och Tairan Liu, alla från avdelningen för elektro- och datorteknik vid UCLA. Prof. Ozcan har också UCLA-fakultetsutnämningar på bioteknik- och kirurgiavdelningarna och är biträdande direktör för California NanoSystems Institute. + Utforska vidare

Snabbare holografisk avbildning med återkommande neurala nätverk