L'apprentissage en profondeur a connu une véritable renaissance, en particulier au cours de la dernière décennie, et il utilise des réseaux de neurones artificiels multicouches pour l'analyse automatisée des données. L'apprentissage en profondeur est l'une des formes les plus passionnantes d'apprentissage automatique qui est à l'origine de plusieurs avancées technologiques récentes, notamment la reconnaissance et la traduction de la parole en temps réel ainsi que l'étiquetage et le sous-titrage d'images/vidéos, parmi beaucoup d'autres. Surtout dans l'analyse d'images, l'apprentissage en profondeur est très prometteur pour la recherche et l'étiquetage automatisés des caractéristiques d'intérêt, telles que des régions anormales dans une image médicale.

Maintenant, Des chercheurs de l'UCLA ont démontré une nouvelle utilisation de l'apprentissage en profondeur – cette fois pour reconstruire un hologramme et former une image microscopique d'un objet. Dans un article récent publié dans Lumière :science et applications , un journal du Springer Nature, Des chercheurs de l'UCLA ont démontré qu'un réseau de neurones peut apprendre à effectuer une récupération de phase et une reconstruction d'image holographique après une formation appropriée. Cette approche basée sur l'apprentissage en profondeur fournit un cadre fondamentalement nouveau pour effectuer l'imagerie holographique et par rapport aux approches existantes, il est nettement plus rapide de calculer et de reconstruire des images améliorées des objets à l'aide d'un seul hologramme, de sorte qu'il nécessite moins de mesures en plus d'être plus rapide en termes de calcul.

Cette recherche a été dirigée par le Dr Aydogan Ozcan, directeur associé de l'UCLA California NanoSystems Institute et Chancellor's Professor of Electric and Computer Engineering à l'UCLA Henry Samueli School of Engineering and Applied Science, avec le Dr Yair Rivenson, un chercheur postdoctoral, et Yibo Zhang, un étudiant diplômé, à la fois au département d'ingénierie électrique et informatique de l'UCLA.

Les auteurs ont validé cette approche basée sur l'apprentissage profond en reconstruisant des hologrammes de divers échantillons, y compris des frottis sanguins et Pap (utilisés pour le dépistage du cancer du col de l'utérus) ainsi que des coupes minces d'échantillons de tissus utilisés en pathologie, tout cela a démontré une élimination réussie des artefacts spatiaux qui résultent des informations de phase perdues lors du processus d'enregistrement de l'hologramme. En d'autres termes, après sa formation, le réseau neuronal a appris à extraire et à séparer les caractéristiques spatiales de la véritable image de l'objet des interférences lumineuses indésirables et des artefacts associés. Remarquablement, cette récupération d'hologramme basée sur l'apprentissage en profondeur a été réalisée sans aucune modélisation de l'interaction lumière-matière ou une solution de l'équation d'onde. "Il s'agit d'une réalisation passionnante puisque les méthodes traditionnelles de reconstruction d'hologrammes basées sur la physique ont été remplacées par une approche informatique basée sur l'apprentissage en profondeur", a déclaré Rivenson.

"Ces résultats sont largement applicables à tout problème de récupération de phase et d'imagerie holographique, et ce cadre basé sur l'apprentissage en profondeur ouvre une myriade d'opportunités pour concevoir des systèmes d'imagerie cohérents fondamentalement nouveaux, couvrant différentes parties du spectre électromagnétique, y compris les longueurs d'onde visibles ainsi que le régime des rayons X », a ajouté Ozcan, qui est également professeur HHMI au Howard Hughes Medical Institute.

Les autres membres de l'équipe de recherche étaient Harun Günaydın et Da Teng, membres du laboratoire de recherche Ozcan de l'UCLA.