Un nouveau cadre neuronal améliore la reconstruction d'images haute résolution

L'apprentissage profond (Deep Learning, DL) a considérablement transformé le domaine de l'imagerie computationnelle, offrant des solutions puissantes pour améliorer les performances et relever une variété de défis. Les méthodes traditionnelles reposent souvent sur des représentations de pixels discrets, qui limitent la résolution et ne parviennent pas à capturer la nature continue et multi-échelle des objets physiques. Des recherches récentes de l'Université de Boston (BU) présentent une nouvelle approche pour surmonter ces limitations.

Comme indiqué dans Nexus photonique avancéDes chercheurs du laboratoire d'imagerie computationnelle de l'université de Boston ont mis au point un réseau local de champs neuronaux conditionnels (LCNF) qu'ils utilisent pour résoudre ce problème. Leur système LCNF évolutif et généralisable est connu sous le nom de « récupération de phase neuronale » (NeuPh) en abrégé.

NeuPh utilise des techniques avancées de DL pour reconstruire des informations de phase à haute résolution à partir de mesures à basse résolution. Cette méthode utilise un encodeur basé sur un réseau neuronal convolutionnel (CNN) pour compresser les images capturées dans une représentation compacte de l'espace latent.

Ensuite, un décodeur basé sur un perceptron multicouche (MLP) reconstruit les valeurs de phase à haute résolution, capturant efficacement les informations sur les objets multi-échelles. Ce faisant, NeuPh fournit une amélioration robuste de la résolution et surpasse à la fois les méthodes traditionnelles basées sur des modèles physiques et les réseaux neuronaux de pointe actuels.

Les résultats présentés mettent en évidence la capacité de NeuPh à appliquer des priors d'objets continus et lisses à la reconstruction, présentant des résultats plus précis par rapport aux modèles existants. À l'aide d'ensembles de données expérimentales, les chercheurs ont démontré que NeuPh peut reconstruire avec précision des structures subcellulaires complexes, éliminer les artefacts courants tels que les erreurs de déballage de phase résiduelle, le bruit et les artefacts d'arrière-plan, et maintenir une précision élevée même avec des données d'apprentissage limitées ou imparfaites.

NeuPh présente également de fortes capacités de généralisation. Il effectue systématiquement des reconstructions à haute résolution lorsqu'il est entraîné avec des données très limitées ou dans des conditions expérimentales différentes. Cette adaptabilité est encore renforcée par l'entraînement sur des ensembles de données simulées par des modèles physiques, ce qui permet à NeuPh de bien généraliser aux données expérimentales réelles.

Selon le chercheur principal Hao Wang, « nous avons également exploré une stratégie de formation hybride combinant des ensembles de données expérimentales et simulées, en soulignant l'importance d'aligner la distribution des données entre les simulations et les expériences réelles pour garantir une formation efficace du réseau. »

Wang ajoute : « NeuPh facilite la reconstruction en « super-résolution », dépassant la limite de diffraction des mesures d'entrée. En utilisant des informations latentes « super-résolues » pendant l'apprentissage, NeuPh permet une reconstruction d'images haute résolution évolutive et généralisable à partir d'images d'intensité basse résolution, applicable à une large gamme d'objets avec des échelles spatiales et des résolutions variables. »

En tant que solution évolutive, robuste, précise et généralisable pour la récupération de phase, NeuPh ouvre de nouvelles possibilités pour les techniques d'imagerie computationnelle basées sur la DL.