Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Os pesquisadores do UCLA reconstroem holograma, aumentam a microscopia óptica usando profundamente a aprendizagem da aproximação

Um formulário da aprendizagem de máquina chamado profundamente aprender é uma das tecnologias chaves atrás dos avanços recentes nas aplicações como o reconhecimento de voz do tempo real e a rotulagem automatizada do imagem e a video.

A aproximação, que usa redes neurais artificiais multi-mergulhadas para automatizar a análise de dados, igualmente mostrou a promessa significativa para cuidados médicos: Poderia ser usada, por exemplo, para identificar automaticamente anomalias nos raios X dos pacientes, as varreduras do CT e outros imagens e dados médicos.

Em dois papéis novos, os pesquisadores do UCLA relatam que desenvolveram usos novos para profundamente aprender: reconstruindo um holograma para formar uma imagem microscópica de um objeto e de melhorar a microscopia óptica.

Sua técnica de imagem lactente holográfica nova produz melhores imagens do que os métodos actuais que usam holograma múltiplos, e é mais fácil executar porque exige menos medidas e executa computações mais rapidamente.

A pesquisa foi conduzida por Aydogan Ozcan, um director adjunto do instituto do UCLA Califórnia NanoSystems e do professor do chanceler de elétrico e engenharia informática na escola do UCLA Henry Samueli da engenharia e de ciência aplicada; e pelo erudito pos-doctoral Yair Rivenson e pelo aluno diplomado Yibo Zhang, dos UCLA elétricos e do departamento de engenharia informática.

Para um estudo (pdf), publicado na luz: A ciência e as aplicações, os pesquisadores produziram holograma dos exames preventivos, que são usados para seleccionar para o cancro do colo do útero, e das amostras de sangue, assim como das amostras de tecido do peito. Em cada caso, na rede neural aprendida extrair e separar as características da imagem verdadeira do objeto de interferência clara indesejada e de outros byproducts físicos do processo de reconstrução da imagem.

“Estes resultados são amplamente aplicáveis a toda a recuperação da fase e problema holográfico da imagem lactente, e esta estrutura profundo-aprender-baseada abre oportunidades inumeráveis de projectar sistemas coerentes fundamental novos da imagem lactente, medindo partes diferentes do espectro eletromagnético, incluindo comprimentos de onda e mesmo raios X visíveis,” disse Ozcan, que igualmente é um professor de HHMI no Howard Hughes Medical Institute.

Uma outra vantagem da aproximação nova era que estêve conseguida sem nenhuma modelagem da interacção da luz-matéria ou uma solução da equação de onda, que pode ser desafiante e demorada para modelar e calcular para cada amostra individual e para formar de luz.

“Esta é uma realização emocionante desde que os métodos física-baseados tradicionais da reconstrução do holograma foram substituídos por uma aproximação computacional profundo-aprender-baseada,” Rivenson disse.

Outros membros da equipe eram pesquisadores Harun Günaydin e Dinamarca Teng do UCLA, ambos os membros do laboratório de Ozcan.

O segundo estudo, publicado no jornal Optica, os pesquisadores usou a mesma estrutura deaprendizagem para melhorar a definição e a qualidade de imagens microscópicas ópticas.

Que o avanço poderia ajudar os diagnosticadores ou os patologistas que procuram anomalias muito em escala reduzida em uma grande amostra do sangue ou de tecido, e o Ozcan disse que representa as oportunidades poderosas para que profundamente aprender melhore a microscopia óptica para diagnósticos médicos e outros campos na engenharia e nas ciências.