I ricercatori presentano un apprendimento non supervisionato

26 maggio 2023

Questo articolo è stato rivisto in base al processo editoriale e alle politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo al tempo stesso la credibilità del contenuto:

verificato

pubblicazione sottoposta a revisione paritaria

fonte attendibile

correggere le bozze

dall'Accademia Cinese delle Scienze

I metodi di imaging a fibra ottica consentono l'imaging in vivo in profondità all'interno di organi cavi o tessuti che sarebbero altrimenti inaccessibili alle tecniche ottiche nello spazio libero, svolgendo un ruolo vitale nella pratica clinica e nella ricerca fondamentale, come la diagnosi endoscopica e l'imaging del cervello profondo.

Recentemente, i metodi di imaging in fibra ottica basati sull'apprendimento supervisionato hanno guadagnato popolarità grazie alle loro prestazioni superiori nel recupero di immagini ad alta fedeltà da immagini degradate fornite dalla fibra o persino da modelli di macchioline criptate. Nonostante il loro successo, questi metodi sono fondamentalmente limitati dai requisiti di etichettatura strettamente abbinata e di grandi set di dati di addestramento.

Gli esigenti requisiti dei dati di addestramento si traducono in lunghe acquisizioni di dati, complicate progettazioni sperimentali e noiosi processi di calibrazione del sistema, rendendo difficile soddisfare le esigenze applicative pratiche.

In una recente pubblicazione su Light: Science & Applications, il dottor Jian Zhao del Picower Institute for Learning and Memory presso il Massachusetts Institute of Technology, il dottor Xiaowen Hu e il dottor Axel Schülzgen del College of Optics and Photonics (CREOL) presso l'Università della Florida Centrale e i loro colleghi hanno presentato un sistema di imaging in fibra ottica basato sull'apprendimento senza supervisione.

Questo sistema integra una Cycle Generative Adversarial Network (CyleGAN) personalizzata, denominata Restore-CycleGAN, con Glass-Air Anderson Localizing Optical Fiber (GALOF). L'applicazione di Restore-CycleGAN rimuove le restrizioni dei dati di addestramento etichettati, pur mantenendo un recupero dell'imaging di alta qualità, mentre le proprietà fisiche uniche delle modalità GALOF supportano processi di imaging ad alta fedeltà ed estremamente robusti e garantiscono l'implementazione di successo dell'addestramento di imaging non accoppiato.

Grazie alla promozione reciproca tra l'algoritmo di apprendimento e i dispositivi ottici, il metodo Restore-CycleGAN-GALOF ottiene un trasporto robusto e quasi privo di artefatti di immagini biologiche a colori attraverso una fibra ottica lunga un metro utilizzando un semplice processo di addestramento one-shot con un piccolo set di dati di addestramento di sole 1000 coppie di immagini, senza richiedere dati di imaging di addestramento accoppiati. La dimensione dei dati di addestramento è ridotta di circa dieci volte rispetto ai metodi di apprendimento supervisionato precedentemente riportati.

Il metodo Restore-CycleGAN-GALOF ha dimostrato capacità di trasporto di immagini a colori ad alta fedeltà per vari campioni biologici, tra cui cellule del sangue umano e di rana, eosinofili umani e cellule tumorali dello stomaco umano, sia in modalità di imaging di trasmissione che di riflessione.

Inoltre, questo processo di imaging ha mostrato resistenza alla forte flessione meccanica delle fibre di 60 gradi e ad ampie variazioni della distanza di lavoro fino a 6 millimetri. Sorprendentemente, il metodo Restore-CycleGAN-GALOF ha prodotto previsioni ad alta precisione per i dati di test che non sono mai stati inclusi nel processo di training, indicando una forte generalizzazione nel regime di piccoli dati.

Nonostante le prestazioni superiori di Restore-CycleGAN-GALOF, la progettazione del sistema e il processo sperimentale sono relativamente semplici. Gli scienziati hanno riassunto l'importanza del loro metodo di imaging: "L'accesso all'estremità distale dei dispositivi in ​​fibra e la raccolta di dati di addestramento sufficienti sono impegnativi nelle applicazioni pratiche. Gli ambienti unici di organi cavi o tessuti biologici impongono ulteriori difficoltà nel trasporto robusto delle immagini."