一種稱為深度學習的機器學習形式是實時語音識別以及自動圖像和視頻標記等應用程序最新進展背后的關鍵技術之一。該方法使用多層人工神經(jīng)網(wǎng)絡來自動進行數(shù)據(jù)分析，也顯示出對醫(yī)療保健的巨大希望：例如，該方法可用于自動識別患者的X射線，CT掃描和其他醫(yī)學圖像中的異常情況。和數(shù)據(jù)。

UCLA研究人員在兩篇新論文中報告說，他們已經(jīng)為深度學習開發(fā)了新用途：重建全息圖以形成物體的顯微圖像并改進光學顯微鏡。

他們的新全息成像技術比使用多個全息圖的當前方法可產(chǎn)生更好的圖像，并且易于實施，因為它需要較少的測量并更快地執(zhí)行計算。

這項研究由加州大學洛杉磯分校加利福尼亞州納米系統(tǒng)研究所副所長，加州大學洛杉磯分校亨利·薩繆里工程與應用科學學院電氣和計算機工程大臣教授Aydogan Ozcan領導;由加州大學洛杉磯分校的電氣和計算機工程系的博士后學者Yair Rivenson和研究生Yibo Zhang組成。

對于一項發(fā)表在《光明：科學與應用》上的研究(PDF)，研究人員制作了巴氏涂片的全息圖，用于檢查子宮頸癌，血液樣本以及乳腺組織樣本。在每種情況下，神經(jīng)網(wǎng)絡都學會了從有害的光干擾以及圖像重建過程的其他物理副產(chǎn)品中提取并分離出對象真實圖像的特征。

“這些結(jié)果廣泛適用于任何相位恢復和全息成像問題，而且這種基于深度學習的框架為設計全新的相干成像系統(tǒng)提供了無數(shù)的機會，這些成像系統(tǒng)涵蓋了電磁光譜的不同部分，包括可見光波長甚至X-射線”，也是霍華德·休斯醫(yī)學研究所HHMI教授的奧茲坎說。

這種新方法的另一個優(yōu)點是，無需對光-物質(zhì)相互作用進行任何建?；?qū)Σ▌臃匠踢M行求解就可以實現(xiàn)，而對每個單獨的樣本和形式的光進行建模和計算可能既困難又耗時。

Rivenson說：“這是令人激動的成就，因為傳統(tǒng)的基于物理學的全息圖重建方法已被基于深度學習的計算方法所取代。”

團隊的其他成員是加州大學洛杉磯分校的研究人員HarunGünaydin和Da Teng，他們都是Ozcan實驗室的成員。

在第二項研究，發(fā)表在雜志上。光學，研究人員使用了相同的深學習框架，以提高光學顯微圖像的分辨率和質(zhì)量。

這一進展可以幫助診斷學家或病理學家在大量血液或組織樣本中尋找非常小的異?，F(xiàn)象，Ozcan表示，這代表了深度學習的強大機會，可以改善醫(yī)學診斷技術以及工程和科學領域的光學顯微鏡。

Ozcan的研究得到了國家科學基金會資助的服務欠佳人群的精確先進技術和衛(wèi)生系統(tǒng)以及NSF以及陸軍研究辦公室，國立衛(wèi)生研究院，霍華德·休斯醫(yī)學研究所，沃達豐美洲基金會和國家科學基金會的支持。玫琳凱基金會。

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！