Les microscopes optiques sont fréquemment utilisés dans les sciences biomédicales pour révéler les caractéristiques fines d'un échantillon, tels que des échantillons de tissus humains et des cellules, formant l'épine dorsale de l'imagerie pathologique pour le diagnostic de la maladie. L'une des étapes les plus critiques de l'imagerie microscopique est la mise au point automatique afin que différentes parties d'un échantillon puissent être rapidement imagées, toutes nettes, présentant divers détails à une résolution inférieure à un millionième de mètre. La mise au point manuelle de ces images au microscope par un expert n'est pas pratique, notamment pour l'imagerie rapide d'un grand nombre d'échantillons, comme dans un laboratoire de pathologie qui traite des centaines d'échantillons de patients chaque jour.

Les chercheurs de l'UCLA ont créé une nouvelle technique d'autofocus d'image pour mettre au point numériquement une image de microscopie donnée sans l'utilisation d'un matériel ou d'un équipement de microscope spécial pendant la phase d'acquisition d'image. Cette nouvelle approche est basée sur le deep learning, où un réseau de neurones artificiels est entraîné à prendre une seule image défocalisée comme entrée pour créer rapidement une image nette du même échantillon, sans avoir besoin d'aucune connaissance préalable de la distance de défocalisation ou d'hypothèses concernant la fonction de flou de l'image.

Publié dans ACS Photonique , un journal de l'American Chemical Society, L'équipe de l'UCLA a démontré le succès de cette méthode de mise au point automatique basée sur l'apprentissage profond sur des échantillons humains, notamment du sein, coupes de tissus ovariens et prostatiques, imagé avec des microscopes à fluorescence et à fond clair. Par rapport aux algorithmes de mise au point automatique standard, Le réseau neuronal de l'UCLA a multiplié par 15 la vitesse de mise au point automatique d'un microscope, d'où un gain de temps important, ce qui est particulièrement important pour les laboratoires de pathologie qui ont besoin d'imager rapidement un grand nombre d'échantillons de tissus. Simple à mettre en œuvre et purement informatique, cette nouvelle approche de mise au point automatique basée sur l'apprentissage en profondeur peut être applicable à une large gamme de microscopes car elle ne nécessite aucune modification matérielle du système d'imagerie.