Investigadores de UCLA presentan un sistema de imágenes cuantitativas de múltiples espectros diseñado basado en una red neural óptica difractiva de banda ancha
Investigadores de UCLA presentan sistema de imágenes cuantitativas de múltiples espectros basado en red neural óptica difractiva de banda ancha
La Imagen Cuantitativa de Fase (QPI, por sus siglas en inglés) es un método de imagen de vanguardia en muchos ámbitos científicos y de microscopía. Permite cuantificar y ver las diferencias más pequeñas en la longitud de la trayectoria óptica de la luz a medida que atraviesa materiales transparentes o semitransparentes. La distribución del índice de refracción y los cambios de grosor dentro de una muestra se pueden aprender mucho con esta técnica no invasiva y sin etiquetas.
Los sistemas de Imagen Cuantitativa de Fase Multiespectral (QPI) se basan en este principio fundamental al adquirir múltiples imágenes de fase en un espectro de longitudes de onda o bandas espectrales de interés. QPI obtiene información sobre el índice de refracción y el grosor de la muestra al evaluar los cambios de fase que experimenta la luz al interactuar con una muestra.
QPI es una técnica flexible con aplicaciones fuera de las disciplinas biomédicas tradicionales como la biología celular, la patología y la biofísica. Es útil en varios campos científicos, incluyendo la ciencia de superficies para evaluar interfaces biológicas y la ciencia de materiales para caracterizar componentes ópticos y películas delgadas y nanopartículas. Sus capacidades incluyen la investigación de estructuras y procesos subcelulares, el monitoreo del crecimiento y comportamiento celular en tiempo real, la detección de cáncer, la detección de patógenos, la medición del grosor de películas delgadas, la evaluación de la calidad óptica y el análisis de la rugosidad de la superficie.
Por lo tanto, se ha llevado a cabo una investigación exhaustiva por parte de los investigadores sobre QPI y, por lo tanto, los investigadores del Departamento de Ingeniería Eléctrica y Computación de la Universidad de California, Los Ángeles (UCLA), han presentado un nuevo diseño para QPI multiespectral.
- Google AI presenta TSMixer un modelo multivariante avanzado para pr...
- Jackson Jewett quiere diseñar edificios que utilicen menos concreto
- Conoce a YaRN Un método eficiente en cómputo para extender la venta...
Este enfoque utiliza el aprendizaje profundo para crear una red óptica difractiva de banda ancha, lo que permite la adquisición de imágenes de fase cuantitativa en varias bandas espectrales en una sola captura. La red óptica utiliza varias capas difractivas dieléctricas estructuradas espacialmente, cada una con cientos de miles de características difractivas transmisivas optimizadas para el aprendizaje profundo.
La red óptica funciona como un transformador óptico de fase a intensidad después de fabricar las capas difractivas resultantes. Lo hace enrutando ópticamente las señales de QPI multiespectral a posiciones espaciales predeterminadas en el plano de salida, donde una serie focal monocromática mide las distribuciones de intensidad resultantes y extrae los perfiles de fase de los objetos de entrada en longitudes de onda predeterminadas.
Esta red óptica optimiza la información de fase multiespectral de los objetos de entrada a través del aprendizaje profundo, transformándola en una distribución de intensidad distintiva en el campo de visión de salida que codifica espacialmente la información de fase del objeto correspondiente a cada banda espectral objetivo por separado.
QPI se compone de dos componentes principales. Uno es un frente de imagen, que se encarga de realizar interferometría óptica para transformar la información de fase necesaria en niveles de intensidad que se pueden grabar utilizando un sensor de imagen digital, y el segundo es una tarea de procesamiento digital posterior para realizar el procesamiento de imagen esencial y la reconstrucción de imágenes de fase cuantitativa basada en estas señales.
Para probar la precisión del sistema, los investigadores validaron la capacidad mediante la captura de imágenes de nuevos tipos de objetos nunca antes vistos. El estudio ha demostrado que este es un imager cuantitativo de fase multiespectral versátil y de propósito general adecuado para diversas aplicaciones.
