L'apprentissage en profondeur a obtenu des résultats de référence pour diverses tâches d'imagerie, y compris la microscopie holographique, où une étape essentielle consiste à récupérer les informations de phase des échantillons à l'aide de mesures d'intensité uniquement. En s'entraînant sur des ensembles de données bien conçus, les réseaux de neurones profonds se sont avérés plus performants que les algorithmes classiques de récupération de phase et de reconstruction d'hologrammes en termes de précision et d'efficacité de calcul. Cependant, la généralisation du modèle, qui fait référence à l'extension des capacités des réseaux de neurones à de nouveaux types d'échantillons jamais vus pendant la formation, reste un défi pour les modèles d'apprentissage en profondeur existants.

Les chercheurs de l'UCLA ont récemment créé une nouvelle architecture de réseau neuronal, appelée Fourier Imager Network (FIN), qui a démontré une généralisation sans précédent à des types d'échantillons invisibles, atteignant également une vitesse de calcul supérieure dans les tâches de récupération de phase et de reconstruction d'images holographiques. Dans cette nouvelle approche, ils ont introduit des modules de transformée spatiale de Fourier qui permettent au réseau de neurones de tirer parti des fréquences spatiales de l'image entière. Les chercheurs de l'UCLA ont formé leur modèle FIN sur des échantillons de tissus pulmonaires humains et ont démontré sa généralisation supérieure en reconstruisant les hologrammes de coupes de tissus humains de la prostate et des glandes salivaires, ainsi que des échantillons de frottis Pap, qui n'ont jamais été vus pendant la phase de formation.

Publié dans Lumière :science et applications , ce nouveau cadre basé sur l'apprentissage en profondeur est censé atteindre une précision de reconstruction d'image supérieure à celle des algorithmes de reconstruction d'hologrammes classiques et des modèles d'apprentissage en profondeur à la pointe de la technologie, tout en raccourcissant le temps de reconstruction d'environ 50 fois. Ce nouveau cadre d'apprentissage en profondeur peut être largement utilisé pour créer des réseaux de neurones hautement généralisables pour diverses tâches d'imagerie microscopique et de vision par ordinateur.

Cette recherche a été dirigée par le Dr Aydogan Ozcan, professeur chancelier et titulaire de la chaire Volgenau pour l'innovation en ingénierie à l'UCLA et professeur HHMI au Howard Hughes Medical Institute. Les autres auteurs de ce travail sont Hanlong Chen, Luzhe Huang et Tairan Liu, tous du département de génie électrique et informatique de l'UCLA. Le professeur Ozcan est également professeur à l'UCLA dans les départements de bio-ingénierie et de chirurgie et est directeur associé du California NanoSystems Institute. + Explorer plus loin

Imagerie holographique plus rapide à l'aide de réseaux de neurones récurrents