L'apprentissage en profondeur permet une reconstruction rapide de l'hologramme, tout en augmentant la profondeur d'imagerie. Crédit:UCLA Ozcan Research Group
L'apprentissage en profondeur, qui utilise des réseaux de neurones artificiels multicouches, est une forme d'apprentissage automatique qui a démontré des avancées significatives dans de nombreux domaines, y compris le traitement du langage naturel, étiquetage et sous-titrage des images/vidéos. En traitement d'images, l'apprentissage en profondeur démontre un potentiel important pour l'identification et l'étiquetage automatisés des caractéristiques d'intérêt, telles que des régions anormales dans une image médicale.
Des chercheurs de l'UCLA ont démontré une application innovante de l'apprentissage en profondeur pour étendre considérablement la profondeur d'imagerie d'un hologramme. En holographie, la reconstruction d'image nécessite d'effectuer une mise au point automatique et une récupération de phase, qui sont en général encombrants et longs à réaliser sur un grand volume d'échantillon. Dans un article récent publié dans Optique , un journal de l'Optical Society of America, Les chercheurs de l'UCLA ont démontré une nouvelle approche qu'ils ont appelée HIDEF basée sur un réseau de neurones convolutifs qui effectue simultanément une mise au point automatique et une récupération de phase pour étendre considérablement la profondeur de champ de l'image et la vitesse de reconstruction en holographie.
Cette recherche a été dirigée par le Dr Aydogan Ozcan, le Chancellor's Professor de génie électrique et informatique à l'UCLA et un HHMI Professor au Howard Hughes Medical Institute, avec Yichen Wu, un étudiant diplômé, et le Dr Yair Rivenson, un chercheur postdoctoral, à la fois au département d'ingénierie électrique et informatique de l'UCLA.
Les auteurs ont validé cette approche basée sur l'apprentissage en profondeur en reconstruisant avec succès des hologrammes d'aérosols et d'échantillons de tissus humains. Globalement, cette approche augmente considérablement l'efficacité de calcul et la vitesse de reconstruction de l'imagerie holographique haute résolution en effectuant simultanément l'autofocus et la récupération de phase, ce qui augmente également la robustesse du processus de reconstruction d'image aux défauts d'alignement potentiels dans la configuration optique en étendant la profondeur des images reconstruites.
Comparaison des résultats HIDEF avec les résultats de la rétro-propagation en espace libre (entrée CNN) et de la phase récupérée à plusieurs hauteurs (phase MH récupérée), en fonction de la distance de défocalisation axiale (dz). Crédit:UCLA Ozcan Research Group
"L'apprentissage en profondeur est mystérieusement puissant et a surpris les chercheurs en optique dans ce qu'il peut réaliser pour faire progresser la microscopie optique, et l'introduction de nouvelles méthodes de reconstruction d'images. À partir de conceptions/dispositifs optiques inspirés de la physique, nous nous dirigeons vers des conceptions axées sur les données qui changeront holistiquement à la fois le matériel optique et le logiciel de la microscopie de nouvelle génération, mélangeant les deux de nouvelles manières, " a ajouté Ozcan.
Les autres membres de l'équipe de recherche étaient Yibo Zhang, Zhensong Wei, Harun Günaydin et Xing Lin, membres du laboratoire de recherche Ozcan de l'UCLA.
