Računarsko snimanje ima potencijal da revolucioniše optičku sliku pružanjem širokog vidnog polja i mogućnosti visoke rezolucije. Zajednička rekonstrukcija amplitude i faze—poznata kao „koherentna slika ili holografska slika“—proširuje propusnost optičkog sistema na milijarde optički razlučivih tačaka. Ovaj proboj omogućava istraživačima da steknu ključni uvid u ćelijske i molekularne strukture za biomedicinska istraživanja.
Uprkos potencijalu, postojeće koherentne tehnike snimanja velikih razmera suočavaju se sa izazovima za široku kliničku upotrebu. Mnoge od ovih tehnika zahtevaju višestruke procese skeniranja ili modulacije, što rezultira dugim vremenom prikupljanja podataka da bi se postigla visoka rezolucija i odnos signal-šum. Ovo usporava snimanje i ograničava njegovu izvodljivost u kliničkim uslovima zbog kompromisa između brzine, rezolucije i kvaliteta.
Nedavne metode uklanjanja šuma slike nude potencijalno rešenje korišćenjem algoritama za uklanjanje šuma tokom iterativne rekonstrukcije da bi se poboljšao kvalitet slike sa retkim podacima. Međutim, konvencionalne metode su računarski složene, dok tehnike zasnovane na dubokom učenju imaju lošu generalizaciju i žrtvuju detalje slike.
U studiji objavljenoj u Advanced Photonics Nekus, tim istraživača sa Pekinškog instituta za tehnologiju, Kalifornijskog instituta za tehnologiju i Univerziteta u Konektikatu demonstrirao je neuronsku mrežu kompleksnog domena koja značajno poboljšava koherentnu sliku velikih razmera. Ovo otvara nove mogućnosti za nisko uzorkovanje i visokokvalitetno koherentno snimanje u različitim modalitetima.
Tehnika koristi latentne informacije o sprezi između amplitudnih i faznih komponenti, što dovodi do višedimenzionalnih reprezentacija kompleksnog talasnog fronta. Okvir pokazuje snažnu generalizaciju i robusnost u različitim koherentnim modalitetima snimanja.
Istraživači su konstruisali mrežu koristeći dvodimenzionalnu kompleksnu konvolucionu jedinicu i složenu aktivacionu funkciju. Takođe su razvili sveobuhvatan model buke sa više izvora za koherentno snimanje, koji obuhvata spekle šum, Poasonov šum, Gausov šum i šum rekonstrukcije super rezolucije. Model buke sa više izvora koristi sposobnost prilagođavanja domena sa sintetičkih podataka na stvarne podatke.
Prijavljena tehnika je primenjena na nekoliko koherentnih modaliteta snimanja, uključujući holografiju Kramers-Kronigovih odnosa, Furijeovu ptihografsku mikroskopiju i kodiranu psihografiju bez sočiva. Opsežne simulacije i eksperimenti su pokazali da tehnika održava visokokvalitetne rekonstrukcije i efikasnost uz značajno smanjenje vremena ekspozicije i obima podataka — za red veličine.
Visokokvalitetne rekonstrukcije nude značajne implikacije za naknadnu semantičku analizu visokog nivoa, kao što je segmentacija ćelija visoke preciznosti i virtuelno bojenje, potencijalno podstičući razvoj inteligentne medicinske nege.
Potencijal za brzo snimanje u visokoj rezoluciji sa smanjenim vremenom ekspozicije i obimom podataka obećava posmatranje ćelija u realnom vremenu. Pored toga, kombinovanjem dijagnoze veštačke inteligencije, ova tehnologija može otkriti tajne složenih bioloških sistema i pomeriti granice medicinske dijagnostike.
