I microscopi ottici sono spesso usati nelle scienze biomediche per rivelare le caratteristiche fini di un campione, come campioni di tessuto umano e cellule, costituiscono la spina dorsale dell'imaging patologico per la diagnosi delle malattie. Uno dei passaggi più critici nell'imaging microscopico è la messa a fuoco automatica in modo che diverse parti di un campione possano essere rapidamente visualizzate tutte a fuoco, con vari dettagli a una risoluzione inferiore a un milionesimo di metro. La messa a fuoco manuale di queste immagini al microscopio da parte di un esperto non è pratica, soprattutto per l'imaging rapido di un gran numero di campioni, come in un laboratorio di patologia che processa centinaia di campioni di pazienti ogni giorno.

I ricercatori dell'UCLA hanno creato una nuova tecnica di messa a fuoco automatica dell'immagine per mettere a fuoco digitalmente una determinata immagine di microscopia senza l'uso di uno speciale hardware o attrezzatura per microscopio durante la fase di acquisizione dell'immagine. Questo nuovo approccio si basa sul deep learning, dove una rete neurale artificiale viene addestrata a prendere una singola immagine sfocata come input per creare rapidamente un'immagine a fuoco dello stesso campione, senza bisogno di alcuna conoscenza preliminare della distanza di sfocatura o di eventuali supposizioni riguardanti la funzione di sfocatura dell'immagine.

Pubblicato in Fotonica ACS , una rivista dell'American Chemical Society, Il team dell'UCLA ha dimostrato il successo di questo metodo di messa a fuoco automatica basato sull'apprendimento profondo su campioni umani tra cui seno, sezioni di tessuto ovarico e prostatico, ripreso con microscopi a fluorescenza e a campo chiaro. Rispetto agli algoritmi di messa a fuoco automatica standard, La rete neurale dell'UCLA ha aumentato di 15 volte la velocità di messa a fuoco automatica di un microscopio, con conseguente notevole risparmio di tempo, che è particolarmente significativo per i laboratori di patologia che hanno bisogno di visualizzare rapidamente un gran numero di campioni di tessuto. Semplice da implementare e puramente computazionale, questo nuovo approccio di messa a fuoco automatica abilitato per l'apprendimento profondo può essere applicabile a un'ampia gamma di microscopi poiché non richiede modifiche hardware al sistema di imaging.