تغییر شکل بافت شناسی با یادگیری عمیق

یادگیری عمیق دسته ای از تکنیک های یادگیری ماشینی است که از شبکه های عصبی مصنوعی چند لایه برای تجزیه و تحلیل خودکار سیگنال ها یا داده ها استفاده می کند. این نام از ساختار کلی شبکه‌های عصبی عمیق گرفته شده است که از چندین لایه از نورون‌های مصنوعی تشکیل شده‌اند که هر یک عملیات غیرخطی را انجام می‌دهند و روی هم قرار گرفته‌اند. فراتر از کاربردهای رایج، مانند تشخیص و برچسب گذاری ویژگی های خاص در تصاویر، یادگیری عمیق فرصت های متعددی را برای ایجاد تحول در شکل گیری تصویر، بازسازی و میدان های حسی در اختیار دارد. در واقع، یادگیری عمیق بسیار قدرتمند است و محققان اپتیک را با آنچه می تواند برای پیشرفت میکروسکوپ نوری و معرفی روش های جدید بازسازی و تبدیل تصویر به دست آورد، شگفت زده کرده است. طراحی‌ها و دستگاه‌های نوری الهام‌گرفته از فیزیک به سمت طرح‌های مبتنی بر داده حرکت می‌کنند که سخت‌افزار نوری و نرم‌افزار نوری نسل بعدی میکروسکوپ و سنجش را تغییر می‌دهند و این دو را به روش‌های جدیدی ترکیب می‌کنند.

اوزجان یک تصویر را نمونه برداری می کند و سپس با استفاده از کامپیوتر روی آن عمل می کند. با استفاده از یادگیری عمیق، میکروسکوپ‌ها و حسگرهای نوری نسل بعدی یک صحنه یا یک شی را درک می‌کنند و بر این اساس تصمیم می‌گیرند که چگونه و چه چیزی را براساس یک کار مشخص نمونه‌برداری کنند. این امر مستلزم پیوند کامل یادگیری عمیق با سخت افزار میکروسکوپ نوری جدید است که بر اساس داده ها طراحی شده است. برای چنین میکروسکوپ فکری، یادگیری بدون نظارت کلیدی برای افزایش تأثیر آن بر حوزه‌های مختلف علم و مهندسی است، که در آن دسترسی به داده‌های تصویر برچسب‌گذاری شده ممکن است فوراً در دسترس نباشد یا ممکن است پرهزینه و دشوار باشد. او مروری بر کار اخیر در مورد استفاده از شبکه‌های عصبی عمیق در پیشرفت میکروسکوپ محاسباتی و سیستم‌های سنجش ارائه می‌کند و کاربردهای زیست پزشکی این سیستم‌ها را پوشش می‌دهد.