Deep learning har upplevt en verklig renässans, särskilt under det senaste decenniet, och den använder artificiella neurala nätverk med flera lager för automatiserad analys av data. Djupinlärning är en av de mest spännande formerna för maskininlärning som ligger bakom flera senaste framsteg inom teknik, till exempel taligenkänning och översättning i realtid samt bild-/videomärkning och bildtext, bland många andra. Speciellt i bildanalys, djup inlärning visar betydande löfte för automatiserad sökning och märkning av intressanta funktioner, såsom onormala områden i en medicinsk bild.

Nu, UCLA -forskare har visat en ny användning för djupinlärning - den här gången för att rekonstruera ett hologram och bilda en mikroskopisk bild av ett objekt. I en ny artikel som publiceras i Ljus:Vetenskap och applikationer , en tidskrift för Springer Nature, UCLA -forskare har visat att ett neuralt nätverk kan lära sig att utföra fasåterställning och holografisk bildrekonstruktion efter lämplig utbildning. Detta djupinlärningsbaserade tillvägagångssätt ger en grundläggande ny ram för att genomföra holografisk avbildning och jämfört med befintliga tillvägagångssätt är det betydligt snabbare att beräkna och rekonstruera förbättrade bilder av objekten med ett enda hologram, så att det kräver färre mätningar förutom att det är beräkningsmässigt snabbare.

Denna forskning leddes av Dr Aydogan Ozcan, en associerad direktör vid UCLA California NanoSystems Institute och kanslerns professor i el- och datateknik vid UCLA Henry Samueli School of Engineering and Applied Science, tillsammans med Dr Yair Rivenson, en postdoktor, och Yibo Zhang, en doktorand, både vid avdelningen för el- och datateknik vid UCLA.

Författarna validerade detta djupinlärningsbaserade tillvägagångssätt genom att rekonstruera hologram av olika prover inklusive blod- och Pap -utstryk (används för screening av livmoderhalscancer) samt tunna delar av vävnadsprover som används i patologi, som alla visade framgångsrik eliminering av rumsliga artefakter som härrör från den förlorade fasinformationen vid holograminspelningsprocessen. Sagt annorlunda, efter dess utbildning har det neurala nätverket lärt sig att extrahera och separera de rumsliga särdragen hos objektets sanna bild från oönskade ljusstörningar och relaterade artefakter. Anmärkningsvärt, detta djupinlärningsbaserade hologramåterhämtning har uppnåtts utan modellering av ljus-materia-interaktion eller en lösning av vågekvationen. "Detta är en spännande prestation eftersom traditionella fysikbaserade hologramrekonstruktionsmetoder har ersatts av en djup inlärningsbaserad beräkningsmetod", säger Rivenson.

"Dessa resultat är i stort sett tillämpliga på alla fasåtervinning och holografiska bildproblem, och detta djupa inlärningsbaserade ramverk öppnar upp för en mängd möjligheter att designa fundamentalt nya sammanhängande bildsystem, som sträcker sig över olika delar av det elektromagnetiska spektrumet, inklusive synliga våglängder samt röntgenregimen "tillade Ozcan, som också är HHMI -professor vid Howard Hughes Medical Institute.

Andra medlemmar i forskargruppen var Harun Günaydın och Da Teng, medlemmar av Ozcan Research Lab vid UCLA.