Investigadores presentan un aprendizaje no supervisado

26 de mayo de 2023

Este artículo ha sido revisado de acuerdo con el proceso editorial y las políticas de Science X. Los editores han destacado los siguientes atributos al tiempo que garantizan la credibilidad del contenido:

comprobado

publicación revisada por pares

fuente confiable

corregir

por la Academia China de Ciencias

Los métodos de imágenes de fibra óptica permiten obtener imágenes in vivo en el interior de órganos o tejidos huecos que de otro modo serían inaccesibles a las técnicas ópticas de espacio libre, lo que desempeña un papel vital en la práctica clínica y la investigación fundamental, como el diagnóstico endoscópico y las imágenes cerebrales profundas.

Recientemente, los métodos de obtención de imágenes de fibra óptica basados ​​en el aprendizaje supervisado han ganado popularidad debido a su rendimiento superior en la recuperación de imágenes de alta fidelidad a partir de imágenes degradadas proporcionadas por fibra o incluso patrones de motas codificados. A pesar de su éxito, estos métodos están fundamentalmente limitados por sus requisitos de etiquetado estrictamente emparejado y grandes conjuntos de datos de entrenamiento.

Los exigentes requisitos de datos de entrenamiento dan como resultado una adquisición de datos que requiere mucho tiempo, un diseño experimental complicado y procesos tediosos de calibración del sistema, lo que dificulta satisfacer las necesidades de las aplicaciones prácticas.

En una publicación reciente en Light: Science & Applications, el Dr. Jian Zhao del Instituto Picower para el Aprendizaje y la Memoria del Instituto Tecnológico de Massachusetts, el Dr. Xiaowen Hu y el Dr. Axel Schülzgen de la Facultad de Óptica y Fotónica (CREOL) de la Universidad de Florida Central y sus colegas presentaron un sistema de imágenes de fibra óptica basado en el aprendizaje no supervisado.

Este sistema integra una red adversa generativa de ciclos personalizada (CyleGAN), llamada Restore-CycleGAN, con fibra óptica de localización Glass-Air Anderson (GALOF). La aplicación de Restore-CycleGAN elimina las restricciones de los datos de entrenamiento etiquetados, pero mantiene la recuperación de imágenes de alta calidad, mientras que las propiedades físicas únicas de los modos de GALOF admiten procesos de imágenes altamente robustos y de alta fidelidad y garantizan la implementación exitosa del entrenamiento de imágenes sin emparejar.

Debido a la promoción mutua entre el algoritmo de aprendizaje y los dispositivos ópticos, el método Restore-CycleGAN-GALOF logra un transporte robusto y casi libre de artefactos de imágenes biológicas a todo color a través de una fibra óptica de un metro de largo utilizando un proceso de entrenamiento simple de un solo paso con un pequeño conjunto de datos de entrenamiento de solo 1000 pares de imágenes, sin necesidad de datos de formación de imágenes emparejados. El tamaño de los datos de entrenamiento se reduce unas diez veces en comparación con los métodos de aprendizaje supervisado informados anteriormente.

El método Restore-CycleGAN-GALOF demostró capacidades de transporte de imágenes a todo color de alta fidelidad para varias muestras biológicas, incluidas células sanguíneas humanas y de rana, eosinófilos humanos y células cancerosas de estómago humano, tanto en modo de transmisión como de reflexión.

Además, este proceso de formación de imágenes exhibió resiliencia contra la fuerte flexión mecánica de la fibra de 60 grados y grandes variaciones de la distancia de trabajo de hasta 6 milímetros. Sorprendentemente, el método Restore-CycleGAN-GALOF produjo predicciones de alta precisión para datos de prueba que nunca se incluyeron en el proceso de entrenamiento, lo que indica una fuerte generalización en el régimen de datos pequeños.

A pesar del rendimiento superior de Restore-CycleGAN-GALOF, el diseño del sistema y el proceso experimental son relativamente simples. Los científicos resumieron la importancia de su método de imagen: "Acceder al extremo distal de los dispositivos de fibra y recopilar suficientes datos de entrenamiento es un desafío en las aplicaciones prácticas. Los entornos únicos de órganos huecos o tejidos biológicos imponen dificultades adicionales en el transporte robusto de imágenes".

"Sin embargo, nuestro método Restore-CycleGAN-GALOF requiere solo una pequeña cantidad de datos de entrenamiento y elimina la necesidad de emparejar características de imagen. En el régimen de datos pequeños, este método garantiza imágenes a todo color altamente robustas y generalizables. Como resultado, es más adecuado para satisfacer diversas aplicaciones biomédicas prácticas".

"Se espera que nuestras técnicas sienten las bases para el sistema de imágenes de fibra óptica de próxima generación. Nuestra investigación futura se centrará en desarrollar sistemas de endoscopia prácticos y realizar pruebas de aplicaciones biomédicas relacionadas. Aspiramos a avanzar en el diagnóstico médico y la investigación biológica fundamental a través de nuestra metodología. ”, agregaron los científicos.

Más información: Xiaowen Hu et al, Reconstrucción de imágenes celulares a todo color sin supervisión a través de fibra óptica desordenada, Light: Science & Applications (2023). DOI: 10.1038/s41377-023-01183-6

Información del diario:Luz: ciencia y aplicaciones

Proporcionado por la Academia de Ciencias de China