Los investigadores han desarrollado una nueva red neuronal integral que puede acelerar la reconstrucción de imágenes en 3D. A diferencia de otras técnicas de aprendizaje profundo, este enfoque se puede usar en muestras que no se encontraron durante el entrenamiento, lo que lo hace particularmente útil para imágenes biomédicas en 3D sin etiquetas.

“Con este marco, bien entrenado red neuronal Se pueden distribuir en cualquier lugar, sin ajustes finos, y realizar imágenes 3D rápidas y de alta calidad de diferentes muestras”, explicó el líder de investigación Hanlong Chen, de la Universidad de California, Los Ángeles (UCLA).

Hanlong Chen y Aydogan Ozkan presentarán la investigación en la Conferencia Frontiers in Optics + Laser Sciences (FiO LSLa reunión tuvo lugar en Rochester, NY y en línea del 17 al 20 de octubre de 2022. La presentación está programada para el lunes 17 de octubre a las 16:30 EST (UTC-04:00).

enfoque generalizable

Aunque se han desarrollado muchas redes neuronales para lograr la tarea de reconstrucción de hologramas que requiere muchos datos investigación biológica Y el Aplicaciones biomédicasLa mayoría están diseñados para ser muy específicos. Esto significa que es posible que no funcione bien si se usa con muestras distintas a las que se usaron inicialmente para el entrenamiento. la red.

Para resolver este problema, Chen y sus colegas desarrollaron una red neuronal integral llamada Fourier Imager Network (FIN). Este tipo de red neuronal se entrena utilizando un solo modelo, omitiendo algunos pasos que suelen utilizar otros métodos de aprendizaje profundo. Las redes neuronales de extremo a extremo también son más rápidas y más generalizables a una variedad de muestras.

Resultados más rápidos y precisos

El marco FIN toma una serie de hologramas de densidad sin procesar tomados a diferentes distancias desde la muestra hasta el sensor utilizando un microscopio 3D sin lente incorporado y crea imágenes reconstruidas de las muestras. Para probar el nuevo enfoque, los investigadores entrenaron a la red utilizando secciones de tejido pulmonar. Luego usaron FIN para reconstruir imágenes en 3D de tejido de glándulas salivales humanas y muestras de frotis de Papanicolaou que la red no había visto durante el entrenamiento.

FIN funcionó bien en estos nuevos tipos de muestras y proporcionó imágenes que se reconstruyeron con mayor precisión que un algoritmo iterativo y un modelo moderno de aprendizaje profundo. También mostró una velocidad mejorada de casi 50 veces en comparación con el modelo de aprendizaje profundo. Los investigadores dicen que estos resultados demuestran la fuerte generalización extrínseca de FIN al tiempo que demuestran el enorme potencial de la construcción profunda de una generalización a gran escala. Redes neuronales Para diversas tareas de microscopía e imágenes computacionales.

Chen agregó: «Nuestro próximo paso es investigar el AF conservando las ventajas de nuestro enfoque, como una excelente calidad de imagen, una generalización sin precedentes de nuevos tipos de muestras y una velocidad computacional mejorada, lo que hace posible la creación de imágenes holográficas con hardware de bajo recurso».