加州大学洛杉矶分校的研究人员演示了使用递归神经网络的全息成像(RNN)。用更快更好的全息图再现对人肺组织切片成像。学分:加州大学洛杉矶分校工程技术促进研究所数字全息成像是生物医学成像中常用的显微技术。它揭示了样本丰富的光学信息，例如，可用于检测组织切片中的病理异常。普通的图像传感器只对入射光的强度做出反应。因此，重建由这种传感器数字记录的全息图的完整3D信息是一项具有挑战性的任务，涉及光学相位检索，这是数字全息术中耗时且计算密集的步骤。加州大学洛杉矶分校的一个研究团队最近开发了一种新的全息相位检索技术，与现有方法相比，该技术可以以高达50倍的加速度快速重建样本的显微图像。这项新技术利用了使用深度学习训练的递归神经网络，并结合了多平面全息图的空间特征，以数字方式创建样本的全息显微图像，如人体组织切片。这导致更好的图像质量和更快的重建速度，同时还增强了重建样本体积的景深。
这项工作发表在美国化学学会杂志《ACS光子学》上。加州大学洛杉矶分校的研究人员通过在人类肺组织切片和巴氏涂片上进行的实验证明了这种新的全息成像方法的有效性，巴氏涂片通常用于宫颈癌筛查。这些结果首次证明了递归神经网络在全息成像和相位恢复中的应用，也为设计测量次数减少、成像速度提高的改进全息显微镜开辟了新的机会。
“这个框架可以广泛应用于各种生物医学成像模式，包括例如荧光显微镜，以有效地利用一系列获取的图像来快速准确地创建样本体积的3D重建，”加州大学洛杉矶分校校长的电气和计算机工程教授、加州纳米系统研究所的副主任Aydogan Ozcan博士说，他是这项工作的资深对应作者。
其他作者包括加州大学洛杉矶分校电气与计算机工程系的研究生黄露哲、刘泰然、杨西林、和Yair Rivenson教授。奥兹坎教授还获得了加州大学洛杉矶分校生物工程和外科的教师任命，并且是HHMI大学的教授。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
