深度學(xué)習(xí)已經(jīng)為各種成像任務(wù)取得了基準(zhǔn)結(jié)果，包括全息顯微鏡，其中一個(gè)重要步驟是使用僅強(qiáng)度測(cè)量來恢復(fù)樣本的相位信息。通過在精心設(shè)計(jì)的數(shù)據(jù)集上進(jìn)行訓(xùn)練，深度神經(jīng)網(wǎng)絡(luò)已被證明在準(zhǔn)確性和計(jì)算效率方面優(yōu)于經(jīng)典的相位檢索和全息重建算法。然而，模型泛化是指將神經(jīng)網(wǎng)絡(luò)的能力擴(kuò)展到訓(xùn)練期間從未見過的新型樣本，這對(duì)于現(xiàn)有的深度學(xué)習(xí)模型仍然是一個(gè)挑戰(zhàn)。

加州大學(xué)洛杉磯分校的研究人員最近創(chuàng)建了一種稱為傅立葉成像網(wǎng)絡(luò)(FIN)的新型神經(jīng)網(wǎng)絡(luò)架構(gòu)，它展示了對(duì)看不見的樣本類型的前所未有的泛化能力，還在相位檢索和全息圖像重建任務(wù)中實(shí)現(xiàn)了卓越的計(jì)算速度。在這種新方法中，他們引入了空間傅里葉變換模塊，使神經(jīng)網(wǎng)絡(luò)能夠利用整個(gè)圖像的空間頻率。加州大學(xué)洛杉磯分校的研究人員在人類肺組織樣本上訓(xùn)練了他們的FIN模型，并通過重建人類前列腺和唾液腺組織切片的全息圖以及在訓(xùn)練階段從未見過的巴氏涂片樣本證明了其優(yōu)越的泛化能力。

發(fā)表在Light:Science&Applications中，據(jù)報(bào)道，與經(jīng)典全息圖重建算法和最先進(jìn)的深度學(xué)習(xí)模型相比，這種基于深度學(xué)習(xí)的新框架實(shí)現(xiàn)了更高的圖像重建精度，同時(shí)將重建時(shí)間縮短了~50次。這種新的深度學(xué)習(xí)框架可廣泛用于為各種顯微成像和計(jì)算機(jī)視覺任務(wù)創(chuàng)建高度泛化的神經(jīng)網(wǎng)絡(luò)。

這項(xiàng)研究由AydoganOzcan博士領(lǐng)導(dǎo)，他是加州大學(xué)洛杉磯分校校長(zhǎng)教授和Volgenau工程創(chuàng)新主席，也是霍華德休斯醫(yī)學(xué)研究所的HHMI教授。這項(xiàng)工作的其他作者包括來自加州大學(xué)洛杉磯分校電氣與計(jì)算機(jī)工程系的HanlongChen、LuzheHuang和TairanLiu。Ozcan教授還在加州大學(xué)洛杉磯分校的生物工程和外科部門擔(dān)任教職，并且是加州納米系統(tǒng)研究所的副主任。

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場(chǎng)無關(guān)。財(cái)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(fēng)險(xiǎn)自擔(dān)。 如有侵權(quán)請(qǐng)聯(lián)系刪除！