Pesquisadores apresentam um aprendizado não supervisionado

26 de maio de 2023

Este artigo foi revisado de acordo com o processo editorial e as políticas da Science X. Os editores destacaram os seguintes atributos, garantindo a credibilidade do conteúdo:

verificado

publicação revisada por pares

fonte confiável

revisar

pela Academia Chinesa de Ciências

Os métodos de imagem de fibra ótica permitem imagens in vivo profundamente dentro de órgãos ocos ou tecidos que são inacessíveis às técnicas óticas de espaço livre, desempenhando um papel vital na prática clínica e pesquisa fundamental, como diagnóstico endoscópico e imagem cerebral profunda.

Recentemente, os métodos de imagem de fibra óptica baseados em aprendizado supervisionado ganharam popularidade devido ao seu desempenho superior na recuperação de imagens de alta fidelidade de imagens degradadas fornecidas por fibra ou até mesmo padrões de manchas embaralhadas. Apesar de seu sucesso, esses métodos são fundamentalmente limitados por seus requisitos de rotulagem estritamente pareada e grandes conjuntos de dados de treinamento.

Os exigentes requisitos de dados de treinamento resultam em aquisição de dados demorada, design experimental complicado e processos tediosos de calibração do sistema, dificultando a satisfação das necessidades práticas de aplicação.

Em uma publicação recente na Light: Science & Applications, o Dr. Jian Zhao, do Picower Institute for Learning and Memory, do Massachusetts Institute of Technology, o Dr. Xiaowen Hu e o Dr. Axel Schülzgen, do College of Optics and Photonics (CREOL) da da Universidade da Flórida Central, e seus colegas apresentaram um sistema de imagem de fibra óptica baseado em aprendizado não supervisionado.

Este sistema integra uma Rede Adversarial Generativa de Ciclo customizada (CyleGAN), denominada Restore-CycleGAN, com Fibra Óptica de Localização Glass-Air Anderson (GALOF). A aplicação do Restore-CycleGAN remove as restrições dos dados de treinamento rotulados, mas mantém a recuperação de imagem de alta qualidade, enquanto as propriedades físicas exclusivas dos modos do GALOF suportam processos de imagem altamente robustos e de alta fidelidade e garantem a implementação bem-sucedida do treinamento de imagem não pareado.

Devido à promoção mútua entre o algoritmo de aprendizado e os dispositivos ópticos, o método Restore-CycleGAN-GALOF alcança um transporte quase livre de artefatos e robusto de imagens biológicas coloridas através de uma fibra óptica de um metro de comprimento usando um processo de treinamento simples com um pequeno conjunto de dados de treinamento de apenas 1.000 pares de imagens, sem exigir dados de imagem de treinamento emparelhados. O tamanho dos dados de treinamento é reduzido em cerca de dez vezes em comparação com os métodos de aprendizado supervisionado relatados anteriormente.

O método Restore-CycleGAN-GALOF demonstrou recursos de transporte de imagem colorida de alta fidelidade para várias amostras biológicas, incluindo células sanguíneas humanas e de sapo, eosinófilos humanos e células de câncer de estômago humano, nos modos de imagem de transmissão e reflexão.

Além disso, este processo de imagem exibiu resiliência contra flexão de fibra mecânica forte de 60 graus e grandes variações de distância de trabalho de até 6 milímetros. Notavelmente, o método Restore-CycleGAN-GALOF produziu previsões de alta precisão para dados de teste que nunca foram incluídos no processo de treinamento, indicando forte generalização no regime de dados pequenos.

Apesar do desempenho superior do Restore-CycleGAN-GALOF, o design do sistema e o processo experimental são relativamente simples. Os cientistas resumiram a importância de seu método de imagem: "Acessar a extremidade distal dos dispositivos de fibra e coletar dados de treinamento suficientes é um desafio em aplicações práticas. O órgão oco único ou os ambientes de tecido biológico impõem dificuldades adicionais no transporte robusto de imagens".