تصویربرداری محاسباتی از شبکه عصبی آموزش ندیده بهره می برد
تکنیک های تصویربرداری محاسباتی (CI) از دستگاه نوری و الگوریتم های محاسبه برای بازسازی اطلاعات شی استفاده می کنند. هدف اصلی CI توسعه الگوریتم های پیشرفته تر به منظور ساده سازی تجهیزات سخت افزاری و بهبود کیفیت تصویربرداری است.
یادگیری عمیق ، یکی از الگوریتم های قدرتمند ، از یک شبکه عصبی عمیق برای یادگیری تعداد زیادی جفت داده ورودی و خروجی استفاده می کند تا روابط نقشه برداری را بین داده ها برقرار کند. این مورد به طور گسترده برای CI مورد استفاده قرار گرفته است و در بسیاری از مشکلات تصویربرداری به نتایج پیشرفته رسیده است. با این حال ، بسیاری از روش های مبتنی بر یادگیری عمیق مبتنی بر یادگیری عمیق با چالش هایی در جمع آوری داده ها و تعمیم روبرو هستند.
در یک مطالعه جدید ، محققان آکادمی علوم چین چگونگی ترکیب یک شبکه عصبی و دانش فیزیکی آموزش نیافته را برای حذف محدودیت های روش های CI مبتنی بر یادگیری عمیق توضیح دادند.
پروفسور Situ Guohai ، رهبر گفت: "روش تصویربرداری ما برای آموزش یک شبکه عصبی به مقدار زیادی از داده ها نیازی ندارد. تمام آنچه لازم است اندازه گیری شی ضبط شده توسط ردیاب و مدل فیزیک از جسم گرفته تا اندازه گیری است." از تیم تحقیق
محققان تکنیک خود را در مورد یک مشکل تصویربرداری فاز کمی لنز نشان دادند ، که نیاز به بازسازی اطلاعات فاز گم شده در مرحله تشخیص دارد.
رویکرد جدید مبتنی بر یک شبکه عصبی عمیق (DNN) است ، یک مدل محاسبه چند لایه به طور گسترده ای برای جابجایی توابع مختلف نقشه برداری از بسیاری از جفت های داده آموزشی و همچنین اصل انتشار فضای آزاد که توسط صدها سال تاسیس شده است استفاده می شود. تحقیق
محققان برای افزایش بهینه پارامترهای DNN به دانش سیستم نوری روی آوردند. آنها الگوی پراش شدت اندازه گیری شده را به صورت DNN به طور تصادفی اولیه (بدون آموزش) تغذیه کردند ، خروجی DNN را به عنوان برآورد اطلاعات فاز در نظر گرفتند و برآورد الگوی پراش شدت را از آغاز تخمین زده شده توسط اصل انتشار فضای آزاد محاسبه کردند. .
سپس پارامترهای موجود در DNN بروزرسانی شدند تا خطای بین الگوی اندازه گیری و تخمین زده شده به حداقل برسد. همراه با به حداقل رساندن خطا ، خروجی DNN همچنین بر اطلاعات فاز واقعی همگرا می شود.
SITU گفت: "در حالی که بسیاری از روش های مبتنی بر یادگیری عمیق مبتنی بر یادگیری عمیق ، از داده های آموزشی زیادی برای بهینه سازی پارامترها در DNN استفاده می کردند ، رویکرد ما از اندازه گیری خام و مدل فیزیکی سوءاستفاده می کند." "این یک روش کلی است که می تواند برای بازسازی انواع مختلف اشیاء استفاده شود."
محققان تکنیک خود را با استفاده از آن برای تصویربرداری از یک موضوع فاز آزمایش کردند. روش جدید با استفاده از یک الگوی پراش شدت منفرد ، توانست اطلاعات فاز را برطرف کند.
SITU گفت: "رویکرد جدید برای تصویربرداری فاز یک روش تک تیر ، غیر تداخل سنجی است که از پتانسیل بسیار خوبی در میکروسکوپ و اندازه گیری نوری برخوردار است. همچنین می توان از یک چارچوب مشابه در روش های مختلف CI استفاده کرد به شرط اینکه مدل فیزیکی شناخته شده باشد." .
این اثر توسط برنامه تحقیقاتی کلیدی علوم مرزی آکادمی علوم چین ، مرکز چین و آلمان و بنیاد ملی علوم طبیعی چین پشتیبانی شده است.