Una forma de aprendizaje automático llamada aprendizaje profundo es una de las tecnologías clave detrás de los avances recientes en aplicaciones como el reconocimiento de voz en tiempo real y el etiquetado automático de imágenes y videos.
El enfoque, que utiliza redes neuronales artificiales de varias capas para automatizar el análisis de datos, también ha demostrado ser muy prometedor para el cuidado de la salud: podría usarse, por ejemplo, para identificar automáticamente anormalidades en las radiografías de los pacientes, tomografías computarizadas y otrosimágenes y datos médicos.
En dos nuevos documentos, los investigadores de la UCLA informan que han desarrollado nuevos usos para el aprendizaje profundo: reconstruir un holograma para formar una imagen microscópica de un objeto y mejorar la microscopía óptica.
Su nueva técnica de imágenes holográficas produce mejores imágenes que los métodos actuales que usan múltiples hologramas, y es más fácil de implementar porque requiere menos mediciones y realiza cálculos más rápido.
La investigación fue dirigida por Aydogan Ozcan, director asociado del Instituto de Nanosistemas de California de UCLA y profesor de Cancillería de Ingeniería Eléctrica e Informática en la Escuela de Ingeniería y Ciencias Aplicadas Henry Samueli de UCLA; y por el académico postdoctoral Yair Rivenson y el estudiante graduado YiboZhang, ambos del departamento de ingeniería eléctrica e informática de UCLA.
para un estudio, publicado en Luz: ciencia y aplicaciones , los investigadores produjeron hologramas de pruebas de Papanicolaou, que se utilizan para detectar cáncer de cuello uterino y muestras de sangre, así como muestras de tejido mamario. En cada caso, la red neuronal aprendió a extraer y separar las características de la verdadera imagen deel objeto de la interferencia de luz no deseada y de otros subproductos físicos del proceso de reconstrucción de imagen.
"Estos resultados son ampliamente aplicables a cualquier problema de recuperación de fase e imagen holográfica, y este marco basado en el aprendizaje profundo abre innumerables oportunidades para diseñar sistemas de imágenes coherentes fundamentalmente nuevos, que abarcan diferentes partes del espectro electromagnético, incluidas las longitudes de onda visibles e inclusoRayos X ", dijo Ozcan, quien también es profesor de HHMI en el Instituto Médico Howard Hughes.
Otra ventaja del nuevo enfoque fue que se logró sin ningún modelo de interacción de materia de luz o una solución de la ecuación de onda, que puede ser un desafío y tomar mucho tiempo modelar y calcular para cada muestra individual y forma de luz.
"Este es un logro emocionante ya que los métodos tradicionales de reconstrucción de hologramas basados en la física han sido reemplazados por un enfoque computacional basado en el aprendizaje profundo", dijo Rivenson.
Otros miembros del equipo fueron los investigadores de UCLA Harun Günaydin y Da Teng, ambos miembros del laboratorio de Ozcan.
El segundo estudio, publicado en la revista Optica, los investigadores utilizaron el mismo marco de aprendizaje profundo para mejorar la resolución y la calidad de las imágenes microscópicas ópticas.
Ese avance podría ayudar a los diagnósticos o patólogos que buscan anormalidades a muy pequeña escala en una muestra grande de sangre o tejido, y Ozcan dijo que representa las poderosas oportunidades para el aprendizaje profundo para mejorar la microscopía óptica para el diagnóstico médico y otros campos en ingeniería y ciencias.
Fuente de la historia :
Materiales proporcionado por Universidad de California - Los Ángeles . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :