Grâce à l'utilisation innovante d'un réseau de neurones qui imite le traitement d'images par le cerveau humain, une équipe de recherche rapporte une reconstruction précise d'images transmises sur fibres optiques sur des distances allant jusqu'à un kilomètre.

Dans le journal de l'Optical Society pour la recherche à fort impact, Optique , les chercheurs rapportent avoir enseigné un type d'algorithme d'apprentissage automatique connu sous le nom de réseau de neurones profonds pour reconnaître les images de nombres à partir du motif de taches qu'ils créent lorsqu'ils sont transmis à l'extrémité d'une fibre. Les travaux pourraient améliorer l'imagerie endoscopique pour le diagnostic médical, augmenter la quantité d'informations véhiculées sur les réseaux de télécommunications à fibre optique, ou augmenter la puissance optique délivrée par les fibres.

"Nous utilisons des architectures modernes de réseaux de neurones profonds pour récupérer les images d'entrée à partir de la sortie brouillée de la fibre, " dit Demetri Psaltis, Ecole polytechnique fédérale de Suisse, Lausanne, qui a dirigé les recherches en collaboration avec son collègue Christophe Moser. "Nous démontrons que cela est possible pour des fibres jusqu'à 1 kilomètre de long", a-t-il ajouté, qualifiant le travail de « étape importante ».

Déchiffrer le flou

Les fibres optiques transmettent des informations avec la lumière. Les fibres multimodes ont une capacité de transport d'informations beaucoup plus importante que les fibres monomodes. Leurs nombreux canaux, appelés modes spatiaux car ils ont des formes spatiales différentes, peuvent transmettre simultanément différents flux d'informations.

Alors que les fibres multimodes sont bien adaptées pour transporter des signaux basés sur la lumière, transmettre des images est problématique. La lumière de l'image traverse tous les canaux et ce qui sort à l'autre extrémité est un motif de taches que l'œil humain ne peut pas décoder.

Pour s'attaquer à ce problème, Psaltis et son équipe se sont tournés vers un réseau de neurones profonds, un type d'algorithme d'apprentissage automatique qui fonctionne à peu près de la même manière que le cerveau. Les réseaux de neurones profonds peuvent donner aux ordinateurs la capacité d'identifier des objets sur des photographies et aider à améliorer les systèmes de reconnaissance vocale. L'entrée est traitée à travers plusieurs couches de neurones artificiels, dont chacun effectue un petit calcul et transmet le résultat à la couche suivante. La machine apprend à identifier l'entrée en reconnaissant les modèles de sortie qui lui sont associés.

"Si nous pensons à l'origine des réseaux de neurones, qui est notre propre cerveau, le processus est simple, " explique Eirini Kakkava, un doctorant travaillant sur le projet. "Quand une personne regarde un objet, les neurones du cerveau sont activés, indiquant la reconnaissance d'un objet familier. Notre cerveau peut le faire car il s'entraîne tout au long de notre vie avec des images ou des signaux de la même catégorie d'objets, qui modifie la force des connexions entre les neurones." Pour entraîner un réseau de neurones artificiels, les chercheurs suivent essentiellement le même processus, apprendre au réseau à reconnaître certaines images (dans ce cas, chiffres manuscrits) jusqu'à ce qu'il soit capable de reconnaître des images de la même catégorie que les images d'entraînement qu'il n'a pas vues auparavant.

Apprendre par les chiffres

Pour former leur système, les chercheurs se sont tournés vers une base de données contenant 20, 000 échantillons de chiffres manuscrits, 0 à 9. Ils ont sélectionné 16, 000 à utiliser comme données d'entraînement, et mis de côté 2, 000 pour valider la formation et 2 autres, 000 pour tester le système validé. Ils ont utilisé un laser pour éclairer chaque chiffre et ont envoyé le faisceau lumineux à travers une fibre optique, qui en comptait environ 4, 500 chaînes, à une caméra à l'extrémité. Un ordinateur a mesuré comment l'intensité de la lumière de sortie variait à travers l'image capturée, et ils ont rassemblé une série d'exemples pour chaque chiffre.

Bien que les motifs de mouchetures collectés pour chaque chiffre aient semblé identiques à l'œil humain, le réseau neuronal était capable de discerner les différences et de reconnaître les schémas d'intensité associés à chaque chiffre. Les tests avec les images mises de côté ont montré que l'algorithme a atteint une précision de 97,6 pour cent pour les images transmises via une fibre de 0,1 mètre de long et une précision de 90 pour cent avec une longueur de fibre de 1 kilomètre.

Une méthode plus simple

Navid Borhani, un membre de l'équipe de recherche, affirme que cette approche d'apprentissage automatique est beaucoup plus simple que d'autres méthodes pour reconstruire des images passées à travers des fibres optiques, qui nécessitent de faire une mesure holographique de la sortie. Le réseau neuronal a également été capable de faire face aux distorsions causées par les perturbations environnementales de la fibre telles que les fluctuations de température ou les mouvements causés par les courants d'air qui peuvent ajouter du bruit à l'image, une situation qui s'aggrave avec la longueur de la fibre.

« La capacité remarquable des réseaux de neurones profonds à récupérer les informations transmises via des fibres multimodes devrait profiter aux procédures médicales telles que l'endoscopie et les applications de communication. " a déclaré Psaltis. Les signaux de télécommunication doivent souvent parcourir de nombreux kilomètres de fibre et peuvent subir des distorsions, que cette méthode pourrait corriger. Les médecins pourraient utiliser des sondes à fibres ultrafines pour collecter des images des voies et des artères à l'intérieur du corps humain sans avoir besoin d'enregistreurs holographiques complexes ni se soucier des mouvements. « De légers mouvements dus à la respiration ou à la circulation peuvent fausser les images transmises par une fibre multimode, " a déclaré Psaltis. Les réseaux de neurones profonds sont une solution prometteuse pour faire face à ce bruit.

Psaltis et son équipe prévoient d'essayer la technique avec des échantillons biologiques, pour voir si cela fonctionne ainsi que la lecture de chiffres manuscrits. Ils espèrent mener une série d'études utilisant différentes catégories d'images pour explorer les possibilités et les limites de leur technique.