Une approche informatique sans artefact pour extraire la phase de la lumière des signaux d'intensité bruyants améliore l'imagerie des objets transparents, comme les cellules biologiques, dans des conditions de faible luminosité. La procédure sépare les signaux d'intensité en canaux spectraux haute et basse fréquence. Les réseaux de neurones profonds sont entraînés à fonctionner sur ces deux bandes de fréquences, avant qu'un algorithme final ne les recombine en une image de phase pleine bande. Cette méthode évite la tendance des programmes d'extraction de phase automatique à sur-représenter les basses fréquences.

La récupération de phase des champs électromagnétiques est l'un des problèmes les plus importants en optique car elle permet la forme d'objets transparents, y compris les cellules, à quantifier à l'aide de la lumière visible. La phase est une quantité qui se rapporte à la nature ondulatoire de la lumière; il n'est pas directement détectable par nos yeux ou les caméras courantes, et pourtant contient des informations importantes sur les objets traversés par la lumière. Mesurer la phase avec très peu de lumière peut être encore plus intéressant et utile. Avec une faible incidence lumineuse, toxicité légère pour les échantillons biologiques, par exemple, est réduite; cependant, le problème de la récupération de la phase devient aussi beaucoup plus difficile. Les précédents algorithmes basés sur l'apprentissage en profondeur se sont améliorés par rapport aux méthodes traditionnelles dans des conditions de faible luminosité, mais affichait une tendance à sur-représenter les basses fréquences spatiales dans les reconstructions, ce qui signifie que les reconstitutions semblaient floues.

Dans un nouvel article publié dans Science de la lumière et applications , des scientifiques du 3-D Optical Systems Group du Massachusetts Institute of Technology (MIT) ont proposé l'approche d'apprentissage de la synthèse par DNN (LS-DNN) pour lutter contre cette fidélité inégale en divisant le signal d'entrée en bandes de fréquences spatiales basses et hautes. Il est alors devenu possible pour les réseaux de neurones profonds de traiter ces deux bandes de fréquences, respectivement; ensuite, un troisième réseau neuronal a appris à synthétiser les deux bandes de fréquences dans la reconstruction finale qui est de haute fidélité dans toutes les bandes de fréquences. Les auteurs ont découvert que la méthode LS est particulièrement robuste pour gérer des signaux d'intensité extrêmement bruyants.

Les scientifiques résument l'impact de leur algorithme LS-DNN comme suit :« Nous avons proposé un cadre tel que lorsque nous exploitons intentionnellement les algorithmes d'apprentissage en dehors de leur zone de confort, c'est-à-dire avec des types d'exemples différents de ceux avec lesquels les algorithmes ont été entraînés, ne mène pas au désastre comme avec les approches alternatives. C'est grâce à la structure de division et de recombinaison de l'architecture que nous avons imaginée. Par exemple, les bandes de basses fréquences sont traitées par un réseau de neurones qui sait gérer les basses fréquences mais ne se soucie pas nécessairement du type d'objets d'où proviennent les basses fréquences. De même pour les hautes fréquences. Le synthétiseur est également entraîné à recombiner les deux bandes de manière optimale. Ce type de robustesse suggère que l'algorithme est facilement applicable dans des situations pratiques."

« Le principal avantage de fonctionner en régime de faible luminosité est que vous pouvez réduire la quantité de lumière que vous fournissez à l'échantillon. Nos expériences ont été réalisées avec de la lumière visible ; cependant, les mêmes principes s'appliquent aux autres bandes de rayonnement électromagnétique, par exemple. Rayons X. Nous savons que les rayons X sont nocifs, donc si vous pouvez obtenir la même qualité d'image mais avec une dose de rayonnement beaucoup plus faible, ce serait une grande avancée."

"La méthode LS est polyvalente et adaptable à une grande variété de problèmes que nous appelons inverse, c'est-à-dire que vous avez une observation indirecte et incomplète ou bruyante d'un objet, et vous essayez de révéler correctement l'objet lui-même. Des rayons X que nous avons mentionnés précédemment aux échographies, IRM, des enquêtes géoscientifiques pour découvrir du pétrole – ce sont tous des exemples où des problèmes similaires se produisent. Notre technique, en principe, est applicable car la compétition entre basses et hautes fréquences est commune à tous ces problèmes, tout comme le bruit et le signal limité. Nous avons donc bon espoir d'obtenir très bientôt des images plus nettes dans tous ces domaines divers, " ont-ils conclu.