ИИ поможет в развитии голографических технологий

В рамках двух новых исследований ученые из Калифорнийского университета в Лос-Анджелесе (UCLA) использовали нейронные сети для реконструкции голограмм. Обе работы не только демонстрируют уровень развития голографических технологий, но еще и обещают открыть этим технологиям дверь в медицину, где они смогут произвести настоящую революцию. 

В первом исследовании, результаты которого были описаны в журнале Light: Science & Applications, ученые использовали технологии глубинного обучения для создания изображений биологических образцов: крови, мазков Папаниколау, а также некоторых других образцов биологических тканей.

Исследование доказало, что использование нейронных сетей существенно ускоряет и упрощает процесс создания голографических изображений, по сравнению с более традиционными методами создания аналогичных изображений, требующих для воссоздания исследуемого объекта проведения предварительных физических расчетов и ручного компьютерного ввода данных.

В рамках второго исследования команда специалистов использовала свой фреймворк глубинного обучения для улучшения разрешения и качества микроскопических изображений, которые помогают докторам определять самые мелкие, едва заметные аномалии в больших образцах крови и клеточной ткани.

Одна из проблем нынешних голографических методов заключается в том, что при процессе рендеринга голограммы могут потерять часть информации, что, в свою очередь, может привести к появлению «артефактов» на финальном изображении. Иногда эти потери оказываются очень значительными. Например, на изображении могут появляться черные точки, которые врачи по ошибке могут принять за рост раковых клеток. Такие артефакты часто встречаются при радиологическом сканировании, особенно если пациент начинает двигаться, когда сканер выполняет свою работу.

Система глубинного обучения Калифорнийского университета продемонстрировала эффективность в решении и этой проблемы. Как только система будет должным образом обучена, нейронная сеть сможет без труда отделять пространственные особенности настоящего изображения от любых внешних помех (в роли которых часто выступает свет).

Многослойность искусственных нейронных сетей позволяет алгоритмам глубинного обучения анализировать данные в автономном режиме. Технология уже успела продемонстрировать свою эффективность на примере перевода речи с одного языка на другой в режиме реального времени, видеозахвате изображений, а также во многих других задачах, с которыми до этого приходилось справляться человеку, который, к слову, проигрывает алгоритмам еще и в скорости выполнения этих задач.

С тех пор как системы машинного обучения приобрели способность сортировать и анализировать огромные объемы информации гораздо быстрее людей, совсем неудивительно, что к этим технологиям начинают проявлять свой интерес самые разные сферы, в том числе и медицина. Алгоритмы уже находят свое применение, например, в диагностической радиологии, где они демонстрируют свою эффективность в чтении рентгеновских изображений, а также поиске раковых клеток, которые могли быть упущены медиками при сканировании.

Голографические технологии рассматриваются сейчас уже не так, как это было раньше, когда их считали скорее объектом научной фантастики, нежели практичным инструментом. Теперь ученые уверены в перспективности этого направления.

Методы глубинного обучения, в свою очередь, могут помочь в этом направлении, считает Айдоган Озкан, ведущий исследователь. По его мнению, эти технологии позволят открыть новые возможности визуализации. В опубликованном пресс-релизе Калифорнийского университета Озкан отметил, что подобные технологии даже могут привести к разработке совершенно новых когерентных систем обработки изображений. Ученый считает, что наработки UCLA могут быть использованы для дальнейшего усовершенствования технологии и внедрения в нее поддержки других частей электромагнитного спектра, например, рентгеновского и оптического излучения.

Если нас ожидает будущее, которое мы могли видеть в научной фантастике последние лет 40-50, то голограммы в нем будут играть точно не самую последнюю роль. Исследования UCLA в этом направлении, в свою очередь, не просто пытаются поддержать эту фантастическую технологию, они предлагают реальные среды для ее применения.