Home Notizie recenti Recupero di fase superiore e ricostruzione dell’ologramma utilizzando una rete neurale profonda

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

23
0
Recupero di fase superiore e ricostruzione dell'ologramma utilizzando una rete neurale profonda

Fourier Imager Network (FIN): una rete neurale profonda per la ricostruzione dell’ologramma con una generalizzazione esterna superiore. Credito: Ozcan Lab@UCLA

Il deep learning ha ottenuto risultati di riferimento per varie attività di imaging, inclusa la microscopia olografica, in cui un passaggio essenziale è recuperare le informazioni di fase dei campioni utilizzando misurazioni di sola intensità. Grazie all’addestramento su set di dati ben progettati, le reti neurali profonde hanno dimostrato di superare gli algoritmi di recupero di fase e ricostruzione di ologrammi classici in termini di precisione ed efficienza computazionale. Tuttavia, la generalizzazione del modello, che si riferisce all’estensione delle capacità delle reti neurali a nuovi tipi di campioni mai visti durante l’addestramento, rimane una sfida per i modelli di deep learning esistenti.

I ricercatori dell’UCLA hanno recentemente creato una nuova architettura di rete neurale, denominata Fourier Imager Network (FIN), che ha dimostrato una generalizzazione senza precedenti a tipi di campioni invisibili, ottenendo anche una velocità di calcolo superiore nelle attività di recupero di fase e ricostruzione di immagini olografiche. In questo nuovo approccio, hanno introdotto moduli di trasformata di Fourier spaziale che consentono alla rete neurale di sfruttare le frequenze spaziali dell’intera immagine. I ricercatori dell’UCLA hanno addestrato il loro modello FIN su campioni di tessuto polmonare umano e ne hanno dimostrato la generalizzazione superiore ricostruendo gli ologrammi di sezioni di tessuto della prostata e delle ghiandole salivari umane e campioni di Pap test, che non sono mai stati visti nella fase di addestramento.

Pubblicato in Luce: scienza e applicazioni, si dice che questo nuovo framework basato sull’apprendimento profondo raggiunga una maggiore precisione di ricostruzione dell’immagine rispetto ai classici algoritmi di ricostruzione dell’ologramma e ai modelli di apprendimento profondo all’avanguardia, riducendo al contempo il tempo di ricostruzione di circa 50 volte. Questo nuovo framework di deep learning può essere ampiamente utilizzato per creare reti neurali altamente generalizzabili per varie attività di imaging microscopico e visione artificiale.

Questa ricerca è stata guidata dal Dr. Aydogan Ozcan, Professore del Cancelliere e Cattedra di Volgenau per l’Innovazione ingegneristica presso l’UCLA e Professore HHMI presso l’Howard Hughes Medical Institute. Gli altri autori di questo lavoro includono Hanlong Chen, Luzhe Huang e Tairan Liu, tutti del dipartimento di ingegneria elettrica e informatica dell’UCLA. Insegnante. Ozcan ha anche incarichi di facoltà dell’UCLA nei dipartimenti di bioingegneria e chirurgia ed è direttore associato del California NanoSystems Institute.


Articolo precedenteGli Stati Uniti offrono più vaccini contro il vaiolo delle scimmie a stati e città
Articolo successivoUtilizzo di sensori tattili e apprendimento automatico per migliorare il modo in cui i robot manipolano i tessuti