Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les chercheurs d'UCLA reconstruisent des hologrammes, améliorent la microscopie optique utilisant apprendre profondément l'approche

Une forme d'apprendre profond appelé d'apprentissage automatique est l'une des technologies clé derrière des progrès récents dans les applications comme la reconnaissance vocale en temps réel et le marquage d'image et visuel robotisé.

L'approche, qui emploie les réseaux neuronaux artificiels multicouche pour automatiser l'analyse de caractéristiques, également a montré la promesse significative pour la santé : Elle pourrait être employée, par exemple, pour recenser automatiquement des anomalies dans les rayons X des patients, les échographies de CT et d'autres images médicales et caractéristiques.

En deux journaux neufs, les chercheurs d'UCLA enregistrent qu'ils ont développé des utilisations neuves pour apprendre profondément : reconstruisant un hologramme pour former une image microscopique d'un objectif et d'améliorer la microscopie optique.

Leur technique d'imagerie holographique neuve produit de meilleures images que les méthodes actuelles qui emploient les hologrammes multiples, et il est plus facile de mettre en application parce qu'il exige moins mesures et exécute des calculs plus rapidement.

La recherche a été aboutie par Aydogan Ozcan, un directeur associé de l'institut d'UCLA la Californie NanoSystems et du professeur du chancelier d'élém. élect. et ingénierie informatique à l'école d'UCLA Henry Samueli du bureau d'études et de la science appliquée ; et par le chercheur post-doctoral Yair Rivenson et l'étudiant de troisième cycle Yibo Zhang, des UCLA électriques et du service d'ingénierie informatique.

Pour une étude (pdf), publié dans la lumière : La Science et les applications, les chercheurs ont produit des hologrammes des prélèvements de PAP, qui sont employées pour examiner pour le cancer cervical, et les prises de sang, ainsi que les prélèvements de tissu de sein. Dans chaque cas, le réseau neuronal appris pour extraire et séparer les caractéristiques de l'image vraie de l'objectif de l'interférence légère non désirée et d'autres dérivés matériels du procédé de reconstruction d'image.

« Ces résultats s'appliquent grand à n'importe quels guérison de phase et problème holographique de représentation, et ce cadre basé sur profond fournissent des possibilités innombrables de concevoir les systèmes logiques principalement neufs de représentation, enjambant différentes parties du spectre électromagnétique, y compris des longueurs d'onde et même des rayons X visibles, » a dit Ozcan, qui est également un professeur de HHMI au Howard Hughes Medical Institute.

Un autre avantage de l'approche neuve était qu'il n'a été réalisé sans aucune modélisation de l'interaction de lumière-question ou solution de l'équation d'ondes, qui peut être provocante et longue pour modéliser et prévoir pour chaque échantillon individuel et former de la lumière.

« C'est un accomplissement passionnant puisque des méthodes basées sur physique traditionnelles de reconstruction d'hologramme ont été remplacées par une approche de calcul basée sur profond, » Rivenson a dit.

D'autres membres de l'équipe étaient des chercheurs Harun Günaydin et Danemark Teng, les deux membres d'UCLA du laboratoire d'Ozcan.

La deuxième étude, publiée dans le tourillon Optica, les chercheurs a employé le même cadre profond-apprenant pour améliorer la définition et la qualité des images microscopiques optiques.

Que l'avance pourrait aider des techniciens ou des pathologistes recherchant des anomalies très à petite échelle dans un grand sang ou prélèvement de tissu, et Ozcan a indiqué qu'il représente les opportunités puissantes pour qu'apprendre profondément améliore la microscopie optique pour la diagnose médicale et d'autres inducteurs dans le bureau d'études et les sciences.