Una forma di machine learning chiamata deep learning è una delle tecnologie chiave alla base dei recenti progressi in applicazioni come il riconoscimento vocale in tempo reale e l'etichettatura automatizzata di immagini e video.

L'approccio, che utilizza reti neurali artificiali multistrato per automatizzare l'analisi dei dati, ha anche mostrato significative promesse per l'assistenza sanitaria:potrebbe essere utilizzato, Per esempio, per identificare automaticamente le anomalie nelle radiografie dei pazienti, Scansioni TC e altre immagini e dati medici.

In due nuovi documenti, I ricercatori dell'UCLA riferiscono di aver sviluppato nuovi usi per il deep learning:ricostruire un ologramma per formare un'immagine microscopica di un oggetto e migliorare la microscopia ottica.

La loro nuova tecnica di imaging olografico produce immagini migliori rispetto ai metodi attuali che utilizzano più ologrammi, ed è più facile da implementare perché richiede meno misurazioni ed esegue i calcoli più velocemente.

La ricerca è stata guidata da Aydogan Ozcan, 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; e dallo studioso postdottorato Yair Rivenson e dallo studente laureato Yibo Zhang, sia del dipartimento di ingegneria elettrica e informatica dell'UCLA.

Per uno studio, pubblicato in Luce:scienza e applicazioni , i ricercatori hanno prodotto ologrammi di Pap test, che vengono utilizzati per lo screening del cancro del collo dell'utero, e campioni di sangue, così come campioni di tessuto mammario. In ogni caso, la rete neurale ha imparato a estrarre e separare le caratteristiche dell'immagine reale dell'oggetto da interferenze luminose indesiderate e da altri sottoprodotti fisici del processo di ricostruzione dell'immagine.

"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 persino i raggi X, " disse Ozcan, che è anche professore HHMI presso l'Howard Hughes Medical Institute.

Un altro vantaggio del nuovo approccio è stato che è stato ottenuto senza alcuna modellazione dell'interazione luce-materia o una soluzione dell'equazione delle onde, che può essere impegnativo e dispendioso in termini di tempo da modellare e calcolare per ogni singolo campione e forma di luce.

"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 detto Rivenson.

Altri membri del team erano i ricercatori dell'UCLA Harun Günaydin e Da Teng, entrambi membri del laboratorio di Ozcan.

Il secondo studio, pubblicato sulla rivista ottica , i ricercatori hanno utilizzato lo stesso framework di deep learning per migliorare la risoluzione e la qualità delle immagini al microscopio ottico.

Questo progresso potrebbe aiutare i diagnostici o i patologi alla ricerca di anomalie su piccola scala in un grande campione di sangue o tessuto, e Ozcan ha affermato che rappresenta le potenti opportunità per l'apprendimento profondo per migliorare la microscopia ottica per la diagnostica medica e altri campi dell'ingegneria e delle scienze.