Djupinlärning möjliggör ändamålsenlig rekonstruktion av hologram, samtidigt som bilddjupet förlängs. Upphovsman:UCLA Ozcan Research Group
Djup lärning, som använder konstgjorda neurala nätverk med flera lager, är en form av maskininlärning som har visat betydande framsteg inom många områden, inklusive bearbetning av naturligt språk, bild-/videomärkning och bildtext. Vid bildbehandling, djupinlärning visar stor potential för automatisk identifiering och märkning av intressanta funktioner, såsom onormala områden i en medicinsk bild.
UCLA -forskare har visat en innovativ tillämpning av djupinlärning för att avsevärt förlänga bilddjupet av ett hologram. I holografi, bildrekonstruktion kräver autofokusering och fasåterställning, som i allmänhet är besvärliga och tidskrävande att utföra över en stor provvolym. I en ny artikel som publicerades i Optica , en tidskrift för Optical Society of America, UCLA -forskare har visat ett nytt tillvägagångssätt som de kallade HIDEF baserat på ett konvolutionellt neuralt nätverk som samtidigt utför autofokusering och fasåterställning för att väsentligt förlänga bilddjupet av skärpedjupet och rekonstruktionshastigheten vid holografi.
Denna forskning leddes av Dr Aydogan Ozcan, kanslerens professor i el- och datateknik vid UCLA och en HHMI -professor vid Howard Hughes Medical Institute, tillsammans med Yichen Wu, en doktorand, och Dr Yair Rivenson, en postdoktor, både vid avdelningen för el- och datateknik vid UCLA.
Författarna validerade detta djupinlärningsbaserade tillvägagångssätt genom att framgångsrikt rekonstruera hologram av aerosoler och prover från mänskliga vävnader. Övergripande, detta tillvägagångssätt ökar avsevärt beräkningseffektiviteten och rekonstruktionshastigheten för högupplöst holografisk avbildning genom att samtidigt utföra autofokusering och fasåterställning, vilket också ökar robustheten i bildåteruppbyggnadsprocessen till potentiella feljusteringar i den optiska inställningen genom att förlänga djupet av de rekonstruerade bilderna.
Jämförelse av HIDEF-resultat mot ryggutbredning i fritt utrymme (CNN-ingång) och återhämtad fas med flera höjder (MH-fas återhämtad), som en funktion av axiellt defokusavstånd (dz). Upphovsman:UCLA Ozcan Research Group
"Djupt lärande är mystiskt kraftfullt och har överraskat optikforskare i vad det kan uppnå för att främja optisk mikroskopi, och införande av nya bildrekonstruktionsmetoder. Från fysikinspirerade optiska mönster/enheter, vi går mot datadrivna mönster som holistiskt kommer att förändra både optisk hårdvara och programvara för nästa generations mikroskopi, blanda de två på nya sätt, "tillade Ozcan.
Andra medlemmar i forskargruppen var Yibo Zhang, Zhensong Wei, Harun Günaydin och Xing Lin, medlemmar av Ozcan Research Lab vid UCLA.
