Les chercheurs ont développé un nouveau réseau neuronal de bout en bout qui peut accélérer la reconstruction des images holographiques. Contrairement à d'autres techniques d'apprentissage en profondeur, l'approche peut être utilisée sur des échantillons non rencontrés pendant la formation, ce qui la rend particulièrement utile pour l'imagerie biomédicale holographique sans étiquette.

"Avec ce cadre, un réseau neuronal bien formé peut être distribué n'importe où, sans réglage fin, et effectuer une imagerie holographique rapide et de haute qualité de divers échantillons", a expliqué Hanlong Chen, responsable de la recherche, Université de Californie, Los Angeles (UCLA).

Hanlong Chen et Aydogan Ozcan présenteront la recherche lors de la réunion Frontiers in Optics + Laser Science Conference (FiO LS) qui se tiendra à Rochester, New York et en ligne du 17 au 20 octobre 2022. La présentation est prévue le lundi 17 octobre à 16h :30 HAE (UTC—04:00).

Une approche généralisable

Bien que divers réseaux de neurones aient été développés pour accomplir la tâche lourde de données de reconstruction d'hologrammes pour la recherche biologique et les applications biomédicales, la plupart d'entre eux sont conçus pour être très spécifiques. Cela signifie qu'ils peuvent ne pas fonctionner correctement s'ils sont utilisés avec des échantillons différents de ceux initialement utilisés pour former le réseau.

Pour résoudre ce problème, Chen et ses collègues ont développé un réseau neuronal de bout en bout appelé Fourier Imager Network (FIN). Ce type de réseau de neurones est formé à l'aide d'un modèle unique, en contournant certaines des étapes habituellement utilisées par d'autres méthodes d'apprentissage en profondeur. Les réseaux de neurones de bout en bout sont également plus rapides et potentiellement plus généralisables à une grande variété d'échantillons.

Des résultats plus rapides et plus précis

Le cadre FIN prend une séquence d'hologrammes bruts d'intensité uniquement capturés à différentes distances échantillon-capteur avec un microscope holographique en ligne sans lentille et crée des images reconstruites des échantillons. Pour tester la nouvelle approche, les chercheurs ont formé le réseau à l'aide de coupes de tissus pulmonaires. Ils ont ensuite utilisé FIN pour reconstruire des images holographiques de tissus de glandes salivaires humaines et d'échantillons de frottis Pap non vus par le réseau pendant la formation.

FIN a bien fonctionné sur ces nouveaux types d'échantillons et a fourni des images reconstruites avec plus de précision qu'un algorithme itératif et un modèle d'apprentissage en profondeur de pointe. Il a également montré une vitesse améliorée d'environ 50 fois par rapport au modèle d'apprentissage en profondeur. Les chercheurs affirment que ces résultats démontrent la forte généralisation externe de FIN tout en montrant l'immense potentiel de la construction de réseaux de neurones profonds largement généralisables pour diverses tâches de microscopie et d'imagerie computationnelle.

Chen a ajouté :« Notre prochaine étape consiste à étudier la mise au point automatique tout en conservant les avantages de notre approche, tels qu'une superbe qualité d'image, une généralisation sans précédent à de nouveaux types d'échantillons et une vitesse de calcul améliorée, rendant l'imagerie holographique possible avec des appareils à faibles ressources. + Explorer plus loin

Récupération de phase supérieure et reconstruction d'hologrammes à l'aide d'un réseau neuronal profond