一种称为深度学习的机器学习形式是实时语音识别以及自动图像和视频标记等应用程序最新进展背后的关键技术之一。该方法使用多层人工神经网络来自动进行数据分析，也显示出对医疗保健的巨大希望：例如，该方法可用于自动识别患者的X射线，CT扫描和其他医学图像中的异常情况。和数据。

UCLA研究人员在两篇新论文中报告说，他们已经为深度学习开发了新用途：重建全息图以形成物体的显微图像并改进光学显微镜。

他们的新全息成像技术比使用多个全息图的当前方法可产生更好的图像，并且易于实施，因为它需要较少的测量并更快地执行计算。

这项研究由加州大学洛杉矶分校加利福尼亚州纳米系统研究所副所长，加州大学洛杉矶分校亨利·萨缪里工程与应用科学学院电气和计算机工程大臣教授Aydogan Ozcan领导;由加州大学洛杉矶分校的电气和计算机工程系的博士后学者Yair Rivenson和研究生Yibo Zhang组成。

对于一项发表在《光明：科学与应用》上的研究(PDF)，研究人员制作了巴氏涂片的全息图，用于检查子宫颈癌，血液样本以及乳腺组织样本。在每种情况下，神经网络都学会了从有害的光干扰以及图像重建过程的其他物理副产品中提取并分离出对象真实图像的特征。

“这些结果广泛适用于任何相位恢复和全息成像问题，而且这种基于深度学习的框架为设计全新的相干成像系统提供了无数的机会，这些成像系统涵盖了电磁光谱的不同部分，包括可见光波长甚至X-射线”，也是霍华德·休斯医学研究所HHMI教授的奥兹坎说。

这种新方法的另一个优点是，无需对光-物质相互作用进行任何建模或对波动方程进行求解就可以实现，而对每个单独的样本和形式的光进行建模和计算可能既困难又耗时。

Rivenson说：“这是令人激动的成就，因为传统的基于物理学的全息图重建方法已被基于深度学习的计算方法所取代。”

团队的其他成员是加州大学洛杉矶分校的研究人员HarunGünaydin和Da Teng，他们都是Ozcan实验室的成员。

在第二项研究，发表在杂志上。光学，研究人员使用了相同的深学习框架，以提高光学显微图像的分辨率和质量。

这一进展可以帮助诊断学家或病理学家在大量血液或组织样本中寻找非常小的异常现象，Ozcan表示，这代表了深度学习的强大机会，可以改善医学诊断技术以及工程和科学领域的光学显微镜。

Ozcan的研究得到了国家科学基金会资助的服务欠佳人群的精确先进技术和卫生系统以及NSF以及陆军研究办公室，国立卫生研究院，霍华德·休斯医学研究所，沃达丰美洲基金会和国家科学基金会的支持。玫琳凯基金会。