Optiska mikroskop används ofta inom biomedicinsk vetenskap för att avslöja fina egenskaper hos ett prov, såsom mänskliga vävnadsprover och celler, bildar ryggraden i patologisk avbildning för diagnos av sjukdomar. Ett av de mest kritiska stegen i mikroskopisk avbildning är autofokusering så att olika delar av ett prov snabbt kan avbildas alla i fokus, med olika detaljer med en upplösning som är mindre än en miljonedel av en meter. Manuell fokusering av dessa mikroskopbilder av en expert är opraktisk, särskilt för snabb avbildning av ett stort antal prover, som i ett patologilaboratorium som behandlar hundratals patientprover varje dag.

UCLA -forskare har skapat en ny teknik för autofokusering av bilder för att digitalt sätta en given mikroskopi -bild i fokus utan att använda en speciell mikroskopmaskinvara eller -utrustning under bildinsamlingsfasen. Detta nya tillvägagångssätt bygger på djupinlärning, där ett artificiellt neuralt nätverk tränas för att ta en enda defokuserad bild som ingång för att snabbt skapa en in-focus-bild av samma prov, utan behov av någon förkunskap om defokusavståndet eller antaganden om bildens suddiga funktion.

Publicerad i ACS Photonics , en tidskrift för American Chemical Society, UCLA-teamet har visat framgången för denna djupinlärningsbaserade autofokuseringsmetod på mänskliga prover inklusive bröst, äggstockar och prostata vävnadssektioner, avbildat med fluorescens och brightfield -mikroskop. Jämfört med vanliga autofokuseringsalgoritmer, UCLAs neurala nätverk förbättrade autofokushastigheten för ett mikroskop med 15 gånger, vilket resulterar i stora tidsbesparingar, vilket är särskilt viktigt för patologilaboratorier som snabbt behöver avbilda ett stort antal vävnadsprover. Enkel att implementera och rent beräknande, Denna nya metod för autofokusering med djup inlärning kan vara tillämplig på ett brett spektrum av mikroskop eftersom det inte kräver några hårdvaruändringar i bildsystemet.