Le réseau neuronal à domaine complexe permet une imagerie cohérente à grande échelle. 1 crédit
Le réseau de neurones à domaine complexe permet d’obtenir une imagerie cohérente de pointe précisionréduisant le temps d’exposition et le volume de données de plus d’un ordre de grandeur.
L’imagerie computationnelle promet de révolutionner l’imagerie optique avec son large champ de vision et ses capacités de haute résolution. Grâce à la reconstruction conjointe de l’amplitude et de la phase – une technique connue sous le nom d ‘ »imagerie cohérente ou imagerie holographique » – le débit d’un système optique peut s’étendre à des milliards de points optiquement résolubles. Cette percée permet aux chercheurs d’acquérir des connaissances cruciales sur les structures cellulaires et moléculaires, ce qui a un impact significatif sur la recherche biomédicale.
Malgré le potentiel, les techniques d’imagerie cohérente à grande échelle existantes sont confrontées à des défis qui entravent leur utilisation clinique généralisée. Bon nombre de ces techniques nécessitent plusieurs processus de balayage ou de modulation, ce qui entraîne de longs temps de collecte de données pour obtenir une résolution et un rapport signal sur bruit élevés. Cela ralentit l’imagerie et limite sa faisabilité en milieu clinique en raison des compromis entre vitesse, résolution et qualité.
Les méthodes récentes de débruitage d’image ont offert une solution potentielle. Ils utilisent des algorithmes de débruitage pendant le processus de reconstruction itératif, visant à améliorer la qualité de l’imagerie même avec des données rares. Les méthodes traditionnelles, cependant, sont complexes sur le plan informatique, tandis que les techniques basées sur l’apprentissage en profondeur ont tendance à avoir une généralisation médiocre et peuvent sacrifier les détails de l’image.
Dans une étude publiée dans la revue Nexus photonique avancé, une équipe de chercheurs a démontré un réseau de neurones à domaine complexe qui améliore considérablement l’imagerie cohérente à grande échelle. Cela ouvre de nouvelles possibilités pour une imagerie cohérente à faible échantillonnage et de haute qualité dans diverses modalités. La technique exploite les informations de couplage latentes entre les composantes d’amplitude et de phase, conduisant à des représentations multidimensionnelles de fronts d’onde complexes. Le cadre montre une forte généralisation et une robustesse à travers diverses modalités d’imagerie cohérentes.
L’équipe de chercheurs, du Beijing Institute of Technology, du California Institute of Technology et de l’Université du Connecticut, a construit un réseau utilisant une unité de convolution complexe bidimensionnelle et une fonction d’activation complexe. Ils ont également développé un modèle de bruit multi-sources complet pour l’imagerie cohérente, englobant le bruit de chatoiement, le bruit de Poisson, le bruit gaussien et le bruit de reconstruction à super-résolution. Le modèle de bruit multi-sources bénéficie de la capacité d’adaptation de domaine des données synthétiques aux données réelles.
La technique rapportée a été appliquée à plusieurs modalités d’imagerie cohérentes, y compris l’holographie des relations de Kramers-Kronig, la microscopie ptychographique de Fourier et la ptychographie codée sans lentille. Des simulations et des expériences approfondies ont montré que la technique maintient des reconstructions et une efficacité de haute qualité tout en réduisant considérablement le temps d’exposition et le volume de données – d’un ordre de grandeur. Les reconstructions de haute qualité offrent des implications importantes pour l’analyse sémantique de haut niveau ultérieure, telle que la segmentation cellulaire de haute précision et la coloration virtuelle, favorisant potentiellement le développement de soins médicaux intelligents.
La capacité d’imagerie rapide à haute résolution avec un temps d’exposition et un volume de données réduits offre un potentiel immense pour l’observation des cellules en temps réel. De plus, l’intégration de cette technologie au diagnostic par intelligence artificielle pourrait percer les secrets de systèmes biologiques complexes et repousser les limites du diagnostic médical.
