I ricercatori hanno sviluppato una nuova rete neurale end-to-end in grado di accelerare la ricostruzione delle immagini olografiche. A differenza di altre tecniche di deep learning, l'approccio può essere utilizzato su campioni non incontrati durante l'addestramento, il che lo rende particolarmente utile per l'imaging biomedico olografico senza etichetta.

"Con questo framework, una rete neurale ben addestrata può essere distribuita ovunque, senza messa a punto, ed eseguire imaging olografico rapido e di alta qualità di vari campioni", ha spiegato il capo della ricerca Hanlong Chen, University of California, Los Angeles (UCLA).

Hanlong Chen e Aydogan Ozcan presenteranno la ricerca alla riunione della Frontiers in Optics + Laser Science Conference (FiO LS) che si terrà a Rochester, New York e online dal 17 al 20 ottobre 2022. La presentazione è prevista per lunedì 17 ottobre alle 16:30 EDT (UTC—04:00).

Un approccio generalizzabile

Sebbene siano state sviluppate varie reti neurali per ottenere il compito pesante di dati della ricostruzione di ologrammi per la ricerca biologica e le applicazioni biomediche, la maggior parte di esse è progettata per essere molto specifica. Ciò significa che potrebbero non funzionare bene se utilizzati con campioni diversi da quelli utilizzati inizialmente per addestrare la rete.

Per risolvere questo problema, Chen e colleghi hanno sviluppato una rete neurale end-to-end chiamata Fourier Imager Network (FIN). Questo tipo di rete neurale viene addestrato utilizzando un unico modello, aggirando alcuni dei passaggi solitamente utilizzati da altri metodi di deep learning. Le reti neurali end-to-end sono anche più veloci e potenzialmente più generalizzabili a un'ampia varietà di campioni.

Risultati più rapidi e accurati

Il framework FIN prende una sequenza di ologrammi grezzi di sola intensità catturati a diverse distanze da campione a sensore con un microscopio olografico in linea senza lenti e crea immagini ricostruite dei campioni. Per testare il nuovo approccio, i ricercatori hanno addestrato la rete utilizzando sezioni di tessuto polmonare. Hanno quindi utilizzato FIN per ricostruire immagini olografiche di tessuto delle ghiandole salivari umane e campioni di Pap test non visti dalla rete durante l'addestramento.

FIN ha funzionato bene su questi nuovi tipi di campioni e ha fornito immagini ricostruite in modo più accurato rispetto a un algoritmo iterativo e a un modello di apprendimento profondo all'avanguardia. Ha anche mostrato una velocità migliorata di circa 50 volte rispetto al modello di deep learning. I ricercatori affermano che questi risultati dimostrano la forte generalizzazione esterna di FIN, mostrando anche l'immenso potenziale della creazione di reti neurali profonde ampiamente generalizzabili per vari compiti di microscopia e imaging computazionale.

Chen ha aggiunto:"Il nostro prossimo passo è studiare la messa a fuoco automatica pur mantenendo i vantaggi del nostro approccio, come una superba qualità dell'immagine, una generalizzazione senza precedenti a nuovi tipi di campioni e una maggiore velocità di calcolo, rendendo possibile l'imaging olografico con dispositivi a basse risorse". + Esplora ulteriormente

Recupero di fase superiore e ricostruzione dell'ologramma utilizzando una rete neurale profonda