Attraverso l'uso innovativo di una rete neurale che imita l'elaborazione delle immagini da parte del cervello umano, un team di ricerca riporta un'accurata ricostruzione delle immagini trasmesse su fibre ottiche per distanze fino a un chilometro.

Nella rivista della Optical Society per la ricerca ad alto impatto, ottica , i ricercatori riferiscono di insegnare un tipo di algoritmo di apprendimento automatico noto come rete neurale profonda per riconoscere le immagini dei numeri dal modello di macchioline che creano quando vengono trasmesse all'estremità di una fibra. Il lavoro potrebbe migliorare l'imaging endoscopico per la diagnosi medica, aumentare la quantità di informazioni trasportate sulle reti di telecomunicazione in fibra ottica, o aumentare la potenza ottica erogata dalle fibre.

"Utilizziamo moderne architetture di rete neurale profonda per recuperare le immagini di input dall'output codificato della fibra, " disse Demetri Salti, Istituto Federale Svizzero di Tecnologia, Losanna, che ha guidato la ricerca in collaborazione con il collega Christophe Moser. "Dimostriamo che questo è possibile per fibre lunghe fino a 1 chilometro", ha aggiunto, definendo il lavoro "un traguardo importante".

Decifrare la sfocatura

Le fibre ottiche trasmettono informazioni con la luce. Le fibre multimodali hanno una capacità di trasporto delle informazioni molto maggiore rispetto alle fibre monomodali. I loro numerosi canali, noti come modalità spaziali perché hanno forme spaziali diverse, possono trasmettere diversi flussi di informazioni contemporaneamente.

Mentre le fibre multimodali sono adatte per trasportare segnali basati sulla luce, la trasmissione delle immagini è problematica. La luce dell'immagine viaggia attraverso tutti i canali e ciò che esce dall'altra parte è uno schema di macchioline che l'occhio umano non può decodificare.

Per affrontare questo problema, Psaltis e il suo team si sono rivolti a una rete neurale profonda, un tipo di algoritmo di apprendimento automatico che funziona in modo molto simile al cervello. Le reti neurali profonde possono dare ai computer la capacità di identificare gli oggetti nelle fotografie e aiutare a migliorare i sistemi di riconoscimento vocale. L'input viene elaborato attraverso diversi strati di neuroni artificiali, ognuno dei quali esegue un piccolo calcolo e passa il risultato al livello successivo. La macchina impara a identificare l'input riconoscendo i modelli di output ad esso associati.

"Se pensiamo all'origine delle reti neurali, che è il nostro cervello, il procedimento è semplice, " spiega Eirini Kakkava, uno studente di dottorato che lavora al progetto. "Quando una persona fissa un oggetto, i neuroni nel cervello sono attivati, indicando il riconoscimento di un oggetto familiare. Il nostro cervello può farlo perché viene addestrato per tutta la vita con immagini o segnali della stessa categoria di oggetti, che cambia la forza delle connessioni tra i neuroni." Per addestrare una rete neurale artificiale, i ricercatori seguono essenzialmente lo stesso processo, insegnando alla rete a riconoscere determinate immagini (in questo caso, cifre scritte a mano) fino a quando non è in grado di riconoscere immagini della stessa categoria delle immagini di allenamento che non ha mai visto prima.

Imparare dai numeri

Per addestrare il loro sistema, i ricercatori si sono rivolti a un database contenente 20, 000 campioni di numeri scritti a mano, da 0 a 9. Hanno selezionato 16, 000 da utilizzare come dati di allenamento, e tenuti da parte 2, 000 per convalidare la formazione e altri 2, 000 per testare il sistema convalidato. Hanno usato un laser per illuminare ogni cifra e hanno inviato il raggio di luce attraverso una fibra ottica, che aveva circa 4, 500 canali, a una telecamera in fondo. Un computer ha misurato la variazione dell'intensità della luce in uscita nell'immagine acquisita, e hanno raccolto una serie di esempi per ogni cifra.

Sebbene i modelli di puntini raccolti per ogni dito sembrassero gli stessi all'occhio umano, la rete neurale è stata in grado di discernere le differenze e riconoscere i modelli di intensità associati a ciascuna cifra. I test con le immagini messe a riposo hanno mostrato che l'algoritmo ha raggiunto una precisione del 97,6% per le immagini trasmesse attraverso una fibra lunga 0,1 metri e una precisione del 90% con una lunghezza della fibra di 1 chilometro.

Un metodo più semplice

Navid Borhani, un membro del gruppo di ricerca, afferma che questo approccio di apprendimento automatico è molto più semplice di altri metodi per ricostruire le immagini passate attraverso le fibre ottiche, che richiedono una misurazione olografica dell'output. La rete neurale è stata anche in grado di far fronte alle distorsioni causate da disturbi ambientali alla fibra, come fluttuazioni di temperatura o movimenti causati da correnti d'aria che possono aggiungere rumore all'immagine, una situazione che peggiora con la lunghezza della fibra.

"Si prevede che la notevole capacità delle reti neurali profonde di recuperare le informazioni trasmesse attraverso fibre multimodali andrà a beneficio di procedure mediche come l'endoscopia e le applicazioni di comunicazione, " Ha detto Psaltis. I segnali di telecomunicazione spesso devono percorrere molti chilometri di fibra e possono subire distorsioni, che questo metodo potrebbe correggere. I medici potrebbero utilizzare sonde in fibra ultrasottile per raccogliere immagini dei tratti e delle arterie all'interno del corpo umano senza bisogno di registratori olografici complessi o preoccuparsi del movimento. "Leggeri movimenti dovuti alla respirazione o alla circolazione possono distorcere le immagini trasmesse attraverso una fibra multimodale, " Ha detto Psaltis. Le reti neurali profonde sono una soluzione promettente per affrontare quel rumore.

Psaltis e il suo team hanno in programma di provare la tecnica con campioni biologici, per vedere se funziona così come leggere i numeri scritti a mano. Sperano di condurre una serie di studi utilizzando diverse categorie di immagini per esplorare le possibilità ei limiti della loro tecnica.