Apprendimento profondo, che utilizza reti neurali artificiali multistrato, è una forma di apprendimento automatico che ha dimostrato progressi significativi in ​​molti campi, compresa l'elaborazione del linguaggio naturale, etichettatura e didascalia di immagini/video. Nell'elaborazione delle immagini, il deep learning dimostra un potenziale significativo per l'identificazione automatizzata e l'etichettatura delle caratteristiche di interesse, come regioni anormali in un'immagine medica.

I ricercatori dell'UCLA hanno dimostrato un'applicazione innovativa del deep learning per estendere in modo significativo la profondità di imaging di un ologramma. In olografia, la ricostruzione dell'immagine richiede l'esecuzione della messa a fuoco automatica e del recupero di fase, che sono in generale ingombranti e richiedono tempo per eseguire su un grande volume di campione. In un recente articolo pubblicato su ottica , una rivista della Optical Society of America, I ricercatori dell'UCLA hanno dimostrato un nuovo approccio che hanno chiamato HIDEF basato su una rete neurale convoluzionale che esegue simultaneamente la messa a fuoco automatica e il recupero di fase per estendere significativamente la profondità di campo dell'immagine e la velocità di ricostruzione in olografia.

Questa ricerca è stata condotta dal Dr. Aydogan Ozcan, il Professore del Cancelliere di ingegneria elettrica e informatica presso l'UCLA e un Professore HHMI presso l'Howard Hughes Medical Institute, insieme a Yichen Wu, uno studente laureato, e il dottor Yair Rivenson, uno studioso post-dottorato, sia presso il dipartimento di ingegneria elettrica e informatica dell'UCLA.

Gli autori hanno convalidato questo approccio basato sull'apprendimento profondo ricostruendo con successo ologrammi di aerosol e campioni di tessuto umano. Globale, questo approccio aumenta significativamente l'efficienza computazionale e la velocità di ricostruzione dell'imaging olografico ad alta risoluzione eseguendo contemporaneamente l'autofocus e il recupero di fase, che aumenta anche la robustezza del processo di ricostruzione dell'immagine a potenziali disallineamenti nella configurazione ottica estendendo la profondità delle immagini ricostruite.

"L'apprendimento profondo è misteriosamente potente ed è stato sorprendente per i ricercatori di ottica in ciò che può ottenere per far progredire la microscopia ottica, e l'introduzione di nuovi metodi di ricostruzione dell'immagine. Da progetti/dispositivi ottici ispirati alla fisica, ci stiamo muovendo verso progetti basati sui dati che cambieranno in modo olistico sia l'hardware ottico che il software della microscopia di prossima generazione, fondendo i due in modi nuovi, "aggiunse Ozcan.

Altri membri del gruppo di ricerca erano Yibo Zhang, Zhensong Wei, Harun Günaydin e Xing Lin, membri dell'Ozcan Research Lab dell'UCLA.