En form av maskininlärning som kallas djupinlärning är en av nyckelteknikerna bakom de senaste framstegen inom applikationer som taligenkänning i realtid och automatiserad bild- och videomärkning.

Tillvägagångssättet, som använder artificiella neurala nätverk med flera lager för att automatisera dataanalys, har också visat betydande löfte för hälso- och sjukvården:Det kan användas, till exempel, att automatiskt identifiera avvikelser i patienters röntgenstrålar, CT -skanningar och andra medicinska bilder och data.

I två nya tidningar, UCLA -forskare rapporterar att de har utvecklat nya användningsområden för djupinlärning:rekonstruktion av ett hologram för att bilda en mikroskopisk bild av ett objekt och förbättra optisk mikroskopi.

Deras nya holografiska bildteknik ger bättre bilder än nuvarande metoder som använder flera hologram, och det är lättare att implementera eftersom det kräver färre mätningar och utför beräkningar snabbare.

Forskningen leds av Aydogan Ozcan, en associerad direktör för UCLA California NanoSystems Institute och kanslerns professor i el- och datateknik vid UCLA Henry Samueli School of Engineering and Applied Science; och av postdoktor Yair Rivenson och doktorand Yibo Zhang, både av UCLA:s el- och datatekniska avdelning.

För en studie, publicerad i Ljus:Vetenskap och tillämpningar , forskarna producerade hologram av Pap -utstryk, som används för att screena för livmoderhalscancer, och blodprov, samt bröstvävnadsprover. I varje fall, det neurala nätverket lärde sig att extrahera och separera funktionerna i objektets sanna bild från oönskade ljusstörningar och från andra fysiska biprodukter av bildåteruppbyggnadsprocessen.

"Dessa resultat är i stort sett tillämpliga på alla fasåtervinning och holografiska bildproblem, och detta djupinlärningsbaserade ramverk öppnar upp för otaliga möjligheter att designa fundamentalt nya sammanhängande bildsystem, som sträcker sig över olika delar av det elektromagnetiska spektrumet, inklusive synliga våglängder och till och med röntgenstrålar, sa Ozcan, som också är HHMI -professor vid Howard Hughes Medical Institute.

En annan fördel med det nya tillvägagångssättet var att det uppnåddes utan modellering av ljus -materia interaktion eller en lösning av vågekvationen, vilket kan vara utmanande och tidskrävande att modellera och beräkna för varje enskilt prov och ljusform.

"Detta är en spännande prestation eftersom traditionella fysikbaserade hologramåteruppbyggnadsmetoder har ersatts av en djupinlärningsbaserad beräkningsmetod, "Sa Rivenson.

Andra medlemmar i teamet var UCLA -forskarna Harun Günaydin och Da Teng, båda medlemmarna i Ozcans laboratorium.

Den andra studien, publicerad i tidningen Optica , forskarna använde samma ram för djupinlärning för att förbättra upplösningen och kvaliteten på optiska mikroskopiska bilder.

Detta framsteg kan hjälpa diagnostiker eller patologer som letar efter mycket små avvikelser i ett stort blod- eller vävnadsprov, och Ozcan sa att det representerar de kraftfulla möjligheterna för djupinlärning för att förbättra optisk mikroskopi för medicinsk diagnostik och andra områden inom teknik och vetenskap.