Исследователи представляют обучение без присмотра

26 мая 2023 г.

Эта статья была проверена в соответствии с редакционным процессом и политикой Science X. Редакторы выделили следующие атрибуты, гарантируя при этом достоверность контента:

проверенный фактами

рецензируемое издание

надежный источник

корректура

Китайской академии наук

Методы оптоволоконной визуализации позволяют получать изображения in vivo глубоко внутри полых органов или тканей, которые в противном случае недоступны для оптических методов свободного пространства, играя жизненно важную роль в клинической практике и фундаментальных исследованиях, таких как эндоскопическая диагностика и визуализация глубоких слоев мозга.

В последнее время методы оптоволоконной визуализации, основанные на контролируемом обучении, приобрели популярность благодаря их превосходным характеристикам при восстановлении изображений с высокой точностью из искаженных изображений, передаваемых по оптоволокну, или даже скремблированных спеклов. Несмотря на свой успех, эти методы фундаментально ограничены требованиями к строго парной маркировке и большим наборам обучающих данных.

Высокие требования к обучающим данным приводят к трудоемкому сбору данных, сложному планированию экспериментов и утомительным процессам калибровки системы, что затрудняет удовлетворение практических потребностей приложений.

В недавней публикации в журнале «Свет: наука и приложения» доктор Цзянь Чжао из Института обучения и памяти Пикауэра Массачусетского технологического института, доктор Сяовэнь Ху и доктор Аксель Шульцген из Колледжа оптики и фотоники (CREOL) в Университет Центральной Флориды и их коллеги представили систему визуализации оптического волокна, основанную на неконтролируемом обучении.

Эта система объединяет настроенную циклическую генеративную состязательную сеть (CyleGAN), названную Restore-CycleGAN, с локализующим оптическим волокном Glass-Air Anderson (GALOF). Применение Restore-CycleGAN снимает ограничения помеченных обучающих данных, сохраняя при этом высококачественное восстановление изображений, в то время как уникальные физические свойства режимов GALOF поддерживают высокоточные и высоконадежные процессы визуализации и гарантируют успешную реализацию обучения непарным изображениям.

Благодаря взаимному продвижению алгоритма обучения и оптических устройств метод Restore-CycleGAN-GALOF обеспечивает практически безартефактную и надежную передачу полноцветных биологических изображений через оптоволокно длиной в метр, используя простой одноразовый процесс обучения с небольшой набор обучающих данных, состоящий всего из 1000 пар изображений, без необходимости использования парных обучающих данных. Размер обучающих данных уменьшен примерно в десять раз по сравнению с ранее описанными методами обучения с учителем.

Метод Restore-CycleGAN-GALOF продемонстрировал возможности высокоточной передачи полноцветных изображений для различных биологических образцов, включая клетки крови человека и лягушки, эозинофилы человека и клетки рака желудка человека, как в режиме передачи, так и в режиме отражения.

Кроме того, этот процесс визуализации продемонстрировал устойчивость к сильному механическому изгибу волокна на 60 градусов и большим колебаниям рабочего расстояния до 6 миллиметров. Примечательно, что метод Restore-CycleGAN-GALOF дал высокоточные прогнозы для тестовых данных, которые никогда не включались в процесс обучения, что указывает на сильное обобщение в режиме малых данных.

Несмотря на превосходную производительность Restore-CycleGAN-GALOF, конструкция системы и экспериментальный процесс относительно просты. Ученые резюмировали важность своего метода визуализации: «Доступ к дистальному концу оптоволоконных устройств и сбор достаточного количества обучающих данных являются сложной задачей в практических приложениях. Уникальная среда полых органов или биологических тканей создает дополнительные трудности при надежной передаче изображений».