Une forme d'apprentissage automatique appelée apprentissage profond est l'une des technologies clés à l'origine des avancées récentes dans des applications telles que la reconnaissance vocale en temps réel et l'étiquetage automatisé d'images et de vidéos.

L'approche, qui utilise des réseaux de neurones artificiels multicouches pour automatiser l'analyse des données, s'est également révélée très prometteuse pour les soins de santé :elle pourrait être utilisée, par exemple, d'identifier automatiquement les anomalies sur les radiographies des patients, Les tomodensitogrammes et autres images et données médicales.

Dans deux nouveaux articles, Des chercheurs de l'UCLA rapportent avoir développé de nouvelles utilisations pour l'apprentissage en profondeur :reconstruire un hologramme pour former une image microscopique d'un objet et améliorer la microscopie optique.

Leur nouvelle technique d'imagerie holographique produit de meilleures images que les méthodes actuelles qui utilisent plusieurs hologrammes, et il est plus facile à mettre en œuvre car il nécessite moins de mesures et effectue des calculs plus rapidement.

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

Pour une étude, Publié dans Lumière :science et applications , les chercheurs ont produit des hologrammes de frottis Pap, utilisés pour le dépistage du cancer du col de l'utérus, et des échantillons de sang, ainsi que des échantillons de tissus mammaires. Dans chaque cas, le réseau neuronal a appris à extraire et à séparer les caractéristiques de l'image réelle de l'objet des interférences lumineuses indésirables et d'autres sous-produits physiques du processus de reconstruction d'image.

"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 et même les rayons X, " dit Ozcan, qui est également professeur HHMI au Howard Hughes Medical Institute.

Un autre avantage de la nouvelle approche était qu'elle a été réalisée sans aucune modélisation de l'interaction lumière-matière ou une solution de l'équation d'onde, ce qui peut être difficile et long à modéliser et à calculer pour chaque échantillon et forme de lumière.

« C'est 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.

Les autres membres de l'équipe étaient les chercheurs de l'UCLA Harun Günaydin et Da Teng, les deux membres du laboratoire d'Ozcan.

La deuxième étude, publié dans la revue Optique , les chercheurs ont utilisé le même cadre d'apprentissage en profondeur pour améliorer la résolution et la qualité des images microscopiques optiques.

Cette avancée pourrait aider les diagnosticiens ou les pathologistes à rechercher des anomalies à très petite échelle dans un grand échantillon de sang ou de tissu, et Ozcan a déclaré que cela représente de puissantes opportunités d'apprentissage en profondeur pour améliorer la microscopie optique pour le diagnostic médical et d'autres domaines de l'ingénierie et des sciences.