Il deep learning sta vivendo un vero e proprio rinascimento soprattutto nell'ultimo decennio, e utilizza reti neurali artificiali multistrato per l'analisi automatizzata dei dati. Il deep learning è una delle forme più entusiasmanti di machine learning che è alla base di diversi recenti progressi tecnologici, tra cui ad esempio il riconoscimento vocale e la traduzione in tempo reale, nonché l'etichettatura e la didascalia di immagini/video, tra molti altri. Soprattutto nell'analisi delle immagini, l'apprendimento profondo mostra una promessa significativa per la ricerca automatizzata e l'etichettatura delle funzionalità di interesse, come regioni anormali in un'immagine medica.

Ora, I ricercatori dell'UCLA hanno dimostrato un nuovo uso del deep learning, questa volta per ricostruire un ologramma e formare un'immagine microscopica di un oggetto. In un recente articolo pubblicato su Luce:scienza e applicazioni , un diario di Springer Nature, I ricercatori dell'UCLA hanno dimostrato che una rete neurale può imparare a eseguire il recupero di fase e la ricostruzione dell'immagine olografica dopo un addestramento appropriato. Questo approccio basato sull'apprendimento profondo fornisce una struttura fondamentalmente nuova per condurre l'imaging olografico e rispetto agli approcci esistenti è significativamente più veloce da calcolare e ricostruire immagini migliorate degli oggetti utilizzando un singolo ologramma, tale da richiedere meno misurazioni oltre ad essere computazionalmente più veloce.

Questa ricerca è stata condotta dal Dr. Aydogan Ozcan, un direttore associato dell'UCLA California NanoSystems Institute e professore di ingegneria elettrica e informatica presso l'UCLA Henry Samueli School of Engineering and Applied Science, insieme al dottor Yair Rivenson, uno studioso post-dottorato, e Yibo Zhang, uno studente laureato, sia presso il dipartimento di ingegneria elettrica e informatica dell'UCLA.

Gli autori hanno convalidato questo approccio basato sull'apprendimento profondo ricostruendo ologrammi di vari campioni tra cui sangue e Pap test (utilizzati per lo screening del cancro cervicale) nonché sezioni sottili di campioni di tessuto utilizzati in patologia, tutto ciò ha dimostrato l'eliminazione riuscita degli artefatti spaziali che derivano dalle informazioni di fase perse durante il processo di registrazione dell'ologramma. Detto diversamente, dopo il suo addestramento la rete neurale ha imparato ad estrarre e separare le caratteristiche spaziali dell'immagine reale dell'oggetto da interferenze luminose indesiderate e relativi artefatti. Sorprendentemente, questo recupero dell'ologramma basato sull'apprendimento profondo è stato ottenuto senza alcuna modellazione dell'interazione luce-materia o una soluzione dell'equazione delle onde. "Questo è un risultato entusiasmante poiché i tradizionali metodi di ricostruzione dell'ologramma basati sulla fisica sono stati sostituiti da un approccio computazionale basato sull'apprendimento profondo", ha affermato Rivenson.

"Questi risultati sono ampiamente applicabili a qualsiasi problema di recupero di fase e imaging olografico, e questo quadro basato sull'apprendimento profondo apre una miriade di opportunità per progettare sistemi di imaging fondamentalmente nuovi e coerenti, abbracciando diverse parti dello spettro elettromagnetico, comprese le lunghezze d'onda visibili e il regime dei raggi X", ha aggiunto Ozcan, che è anche professore HHMI presso l'Howard Hughes Medical Institute.

Altri membri del gruppo di ricerca erano Harun Günaydın e Da Teng, membri dell'Ozcan Research Lab dell'UCLA.