Forscher präsentieren ein unbeaufsichtigtes Lernen

26. Mai 2023

Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Redakteure haben die folgenden Attribute hervorgehoben und gleichzeitig die Glaubwürdigkeit des Inhalts sichergestellt:

faktengeprüft

peer-reviewte Veröffentlichung

vertrauenswürdige Quelle

Korrekturlesen

von der Chinesischen Akademie der Wissenschaften

Faseroptische Bildgebungsmethoden ermöglichen die In-vivo-Bildgebung tief im Inneren von Hohlorganen oder Geweben, die ansonsten für optische Freiraumtechniken unzugänglich sind, und spielen eine wichtige Rolle in der klinischen Praxis und in der Grundlagenforschung, wie etwa der endoskopischen Diagnose und der Tiefenhirnbildgebung.

In jüngster Zeit erfreuen sich auf überwachtem Lernen basierende faseroptische Bildgebungsverfahren zunehmender Beliebtheit, da sie eine überlegene Leistung bei der Wiederherstellung von Bildern mit hoher Wiedergabetreue aus über Glasfaser übertragenen, beeinträchtigten Bildern oder sogar verwürfelten Speckle-Mustern bieten. Trotz ihres Erfolgs sind diese Methoden grundsätzlich durch ihre Anforderungen an eine strikt gepaarte Kennzeichnung und große Trainingsdatensätze eingeschränkt.

Die anspruchsvollen Trainingsdatenanforderungen führen zu einer zeitaufwändigen Datenerfassung, einem komplizierten experimentellen Design und langwierigen Systemkalibrierungsprozessen, was es schwierig macht, die Anforderungen praktischer Anwendungen zu erfüllen.

In einer aktuellen Veröffentlichung in Light: Science & Applications berichten Dr. Jian Zhao vom Picower Institute for Learning and Memory am Massachusetts Institute of Technology, Dr. Xiaowen Hu und Dr. Axel Schülzgen vom College of Optics and Photonics (CREOL). Die University of Central Florida und ihre Kollegen präsentierten ein unbeaufsichtigtes, lernbasiertes Bildgebungssystem mit optischen Fasern.

Dieses System integriert ein angepasstes Cycle Generative Adversarial Network (CyleGAN) namens Restore-CycleGAN mit Glass-Air Anderson Localizing Optical Fibre (GALOF). Die Anwendung von Restore-CycleGAN beseitigt die Einschränkungen gekennzeichneter Trainingsdaten und sorgt dennoch für eine qualitativ hochwertige Wiederherstellung der Bildgebung, während die einzigartigen physikalischen Eigenschaften der GALOF-Modi hochpräzise und äußerst robuste Bildgebungsprozesse unterstützen und die erfolgreiche Implementierung des ungepaarten Bildgebungstrainings garantieren.

Durch die gegenseitige Förderung zwischen Lernalgorithmus und optischen Geräten erreicht die Restore-CycleGAN-GALOF-Methode mithilfe eines einfachen One-Shot-Trainingsprozesses einen nahezu artefaktfreien und robusten Transport von biologischen Vollfarbbildern durch eine meterlange optische Faser ein kleiner Trainingsdatensatz mit nur 1000 Bildpaaren, ohne dass gepaarte Trainingsbilddaten erforderlich sind. Die Trainingsdatengröße wird im Vergleich zu zuvor berichteten überwachten Lernmethoden um etwa das Zehnfache reduziert.

Die Restore-CycleGAN-GALOF-Methode demonstrierte sowohl im Transmissions- als auch im Reflexionsbildgebungsmodus hochgenaue, vollfarbige Bildtransportfähigkeiten für verschiedene biologische Proben, darunter Blutzellen von Menschen und Fröschen, menschliche Eosinophile und menschliche Magenkrebszellen.

Darüber hinaus zeigte dieses Bildgebungsverfahren Widerstandsfähigkeit gegenüber starker mechanischer Faserbiegung um 60 Grad und großen Arbeitsabstandsschwankungen von bis zu 6 Millimetern. Bemerkenswerterweise lieferte die Restore-CycleGAN-GALOF-Methode hochgenaue Vorhersagen für Testdaten, die nie in den Trainingsprozess einbezogen wurden, was auf eine starke Verallgemeinerung im Small-Data-Regime hinweist.

Trotz der überlegenen Leistung des Restore-CycleGAN-GALOF sind das Systemdesign und der experimentelle Prozess relativ einfach. Die Wissenschaftler fassten die Bedeutung ihrer Bildgebungsmethode zusammen: „Der Zugriff auf das distale Ende von Fasergeräten und das Sammeln ausreichender Trainingsdaten stellen in praktischen Anwendungen eine Herausforderung dar. Die einzigartigen Hohlorgan- oder biologischen Gewebeumgebungen erschweren den robusten Bildtransport zusätzlich.“

„Unsere Restore-CycleGAN-GALOF-Methode erfordert jedoch nur eine kleine Menge an Trainingsdaten und macht die Paarung von Bildmerkmalen überflüssig. Im Kleindatenbereich garantiert diese Methode eine äußerst robuste und stark verallgemeinerbare Vollfarbbildgebung. Infolgedessen Es eignet sich besser für verschiedene praktische biomedizinische Anwendungen.“

„Unsere Techniken sollen den Grundstein für das faseroptische Bildgebungssystem der nächsten Generation legen. Unsere zukünftige Forschung wird sich auf die Entwicklung praktischer Endoskopiesysteme und die Durchführung damit verbundener biomedizinischer Anwendungstests konzentrieren. Unser Ziel ist es, durch unsere Methodik die medizinische Diagnose und die biologische Grundlagenforschung voranzutreiben.“ „, fügten die Wissenschaftler hinzu.

Mehr Informationen: Xiaowen Hu et al., Unüberwachte vollfarbige zelluläre Bildrekonstruktion durch ungeordnete optische Fasern, Light: Science & Applications (2023). DOI: 10.1038/s41377-023-01183-6

Zeitschrifteninformationen:Licht: Wissenschaft und Anwendungen

Zur Verfügung gestellt von der Chinesischen Akademie der Wissenschaften