Des chercheurs de l’Université de Californie à Los Angeles (UCLA) ont présenté deux études traitant de l’utilisation du deep learning dans la reconstruction d’un hologramme de pointe. Leurs techniques, basées sur des réseaux de neurones artificiels, pourraient permettre de booster la recherche sur les hologrammes et de pouvoir les utiliser notamment en médecine.
La première étude, intitulée “Phase recovery and holographic image reconstruction using deep learning in neural networks” a été publiée le 23 février dernier dans la revue Light: Science & Applications. Yair Rivenson, Yibo Zhang, Harun Günaydın, Da Teng et Aydogan Ozcan ont démontré qu’un réseau de neurones pouvait apprendre à reconstruire une image holographique après avoir été entrainé. Leur approche, basée sur le deep learning, permet un calcul et une recréation rapides des images de base et du volume des objets en utilisant un seul hologramme.
Les scientifiques ont utilisé cette méthode basée sur un réseau de neurones convolutionnel entrainé grâce au deep learning afin de générer des images d’échantillons biologiques comme du sang, des frottis ou encore des tissus cellulaires. L’étude montre également comment le machine learning permet d’offrir de nouvelles perspectives à l’imagerie médicale grâce aux systèmes d’imagerie computationnelle.
Cette technique s’avère donc plus rapide et plus facile à utiliser pour développer des hologrammes précis que les méthodes conventionnelles. En effet, ces dernières requièrent souvent beaucoup de mesures physiques et de données de calcul afin de pouvoir générer leurs images.
La seconde étude, publiée en novembre dernier par OSA Publishing, a été conduite par Yair Rivenson, Zoltán Göröcs, Harun Günaydin, Yibo Zhang, Hongda Wang et Aydogan Ozcan. Les chercheurs y expliquent qu’un réseau de neurones profond peut améliorer de façon significative la microscopie optique. L’équipe a utilisé son framework de deep learning afin d’améliorer la résolution, la profondeur de champ et donc la qualité d’images microscopiques.
Les chercheurs ont pu tester cette approche sur différents échantillons de tissus et sont parvenus à apporter une solution au problème de la perte d’informations lors du passage d’une image ‘réelle’ à un hologramme. En effet, lors de ce process, une partie des informations d’origine peuvent être perdues et des points noirs ou des ombres, par exemple, peuvent alors apparaître. Sur des scans médicaux, ces pertes d’informations peuvent avoir une grande incidence car elles peuvent être analysées comme des anomalies et notamment des tumeurs.
Cette deuxième étude a été menée avec le même framework deep learning que dans la précédente étude. Les chercheurs ont pu démontrer que le réseau de neurones multi-couches était capable d’améliorer nettement l’image finale et n’avait besoin pour la générer que d’une seule image prise avec un microscope optique standard. Après entraînement, le framework peut en effet générer des images en haute définition, sans perte d’informations, à partir d’images reçues en basse définition.
Ces algorithmes permettent donc de générer des hologrammes extrêmement précis de façon rapide. Cette technologie, capable de réparer et de générer une version HD des images de mauvaise qualité à la base, pourrait donc avoir des applications pratiques en médecine. Elle pourrait être utilisée par les diagnosticiens et pathologistes pour détecter des anomalies sur les radiographies, scanners ou autres types d’images médicales des patients comme les échantillons de sang ou de tissus analysés au microscope. L’un des chercheurs en charge du projet, Aydogan Ozcan, a indiqué dans le communiqué de presse de UCLA sur le sujet :
“Ces résultats sont largement applicables à n’importe quelle phase de récupération et de problème d’imagerie holographique. Ce framework, basé sur le deep learning, offre une myriade d’opportunités pour concevoir des systèmes d’imagerie cohérents et fondamentalement nouveaux, couvrant différentes partie du spectre électromagnétiques, y compris les longueurs d’ondes visibles et mêmes les rayons”.
Selon lui ces technologies basées sur le deep learning représentent une avancée considérable pour améliorer la microscopie optique pour les diagnostics médicaux mais également dans d’autres champs comme les sciences ou l’ingénierie.
