I to nye undersøgelser, har forskere fra University of California i Los Angeles (UCLA), der anvendes en neurale netværk for genopbygning af hologrammer. Begge værker, der ikke kun viser den grad af udvikling af holografisk teknologi, men også lover at åbne denne dør-teknologi, i medicin, hvor de vil være i stand til at producere en ægte revolution.
I den første undersøgelse, hvis resultater blev beskrevet i journal Lys: Videnskab & Applikationer, forskere brugte en teknologi, kaldet dyb læring til at skabe billeder af biologiske prøver, blod pletter, PAP-prøver, og nogle andre biologiske prøver.
Undersøgelsen viste, at brugen af neurale netværk betydeligt accelererer, og det forenkler processen med at skabe holografiske billeder, i forhold til de mere traditionelle metoder til at skabe lignende billeder, der kræver for genopbygning af testobjektet af den foreløbige fysiske beregninger og manuel computer indtastning af data.
I den anden undersøgelse, hold har brugt deres rammer dybt læring for at forbedre opløsning og kvalitet af mikroskopiske billeder, der kan hjælpe læger til at bestemme det mindste, knap mærkbar anomalier i store prøver af blod og væv.
Et af problemerne med den nuværende holografiske metoder er, at de gør processen af hologram kan miste nogle oplysninger, som igen kan forårsage “artefakter” i det endelige billede. Nogle gange er disse tab er meget stor. For eksempel, kan billedet blive sorte pletter, som lægerne fejlagtigt kan blive væksten af kræftceller. Sådanne artefakter er ofte fundet i løbet af radiologiske scanninger, især hvis patienten begynder at bevæge sig, mens scanneren gør sit job.
Et system, dyb læring på University of California har vist, at effektiviteten i løsningen af dette problem. Når systemet er ordentligt uddannet, neurale netværk vil være i stand til at adskille de rumlige egenskaber af et reelt billede fra en ekstern interferens (som ofte er lys).
Flerlaget kunstige neurale netværk, der giver mulighed for dyb læring algoritmer til at analysere data offline. Den teknologi, der allerede har bevist sin effektivitet på eksempel på oversættelse af tale fra et sprog til et andet i realtid, tage billeder, og mange andre opgaver, der før var nødt til at aftale, at en person, der, ved den måde, mister de algoritmer, der selv i hastigheden af disse opgaver.
Da machine learning systemer, der er erhvervet evnen til at sortere og analysere store mængder af information meget hurtigere end mennesker, er det ikke overraskende, at disse teknologier er begyndt at vise deres interesse i en bred vifte af områder, herunder medicin. De algoritmer, der finder deres anvendelse, for eksempel i diagnostisk radiologi, hvor de viser deres effektivitet i at læse x-ray billeder, samt at finde kræft celler, der kan blive overset af læger, der er under scanning.
Holografisk teknologi anses nu ikke som det var før, da de blev betragtet snarere et objekt af science fiction end et praktisk redskab. Nu har forskere er overbeviste om udsigterne for denne retning.
Metoder dyb læring, til gengæld kan være en hjælp i denne retning, sagde Aydogan Ozcan, ledende forsker. I hans synspunkt, at disse teknologier vil åbne nye muligheder for visualisering. I den offentliggjort pressemeddelelse fra University of California Ozkan, bemærkes, at sådanne teknologier kan endda føre til udvikling af en helt ny sammenhængende billeddannelse. Den videnskabsmand, der mener, at praksis på UCLA kan anvendes til en yderligere forbedring af teknologi og indførelsen af it-støtte til andre dele af det elektromagnetiske spektrum, som f.eks x-ray og optisk stråling.
Hvis vi forventer en fremtid, som vi kunne se i science fiction-de sidste 40-50 år, hologrammer vil spille netop ikke sidste rolle. UCLA forskning i denne retning, igen, ikke bare forsøger at støtte denne fantastiske teknologi, de tilbyder en reel miljø for dens anvendelse.
AI vil hjælpe holografisk teknologi til at nå et nyt niveau
Nikolai Khizhnyak