연구자들은 비지도 학습을 제시합니다.

2023년 5월 26일

이 기사는 Science X의 편집 과정 및 정책에 따라 검토되었습니다. 편집자들은 콘텐츠의 신뢰성을 보장하면서 다음 특성을 강조했습니다.

사실 확인된

동료 검토 출판물

신뢰할 수 있는 출처

교정하다

중국과학원 제공

광섬유 이미징 방법은 자유 공간 광학 기술로는 접근할 수 없는 중공 기관이나 조직 내부 깊은 곳의 생체 내 이미징을 가능하게 하며, 내시경 진단 및 심부 뇌 이미징과 같은 임상 실습 및 기초 연구에서 중요한 역할을 합니다.

최근에는 지도 학습 기반 광섬유 이미징 방법이 광섬유로 전달된 저하된 이미지 또는 스크램블된 반점 패턴으로부터 충실도가 높은 이미지를 복구하는 탁월한 성능으로 인해 인기를 얻었습니다. 성공에도 불구하고 이러한 방법은 엄격하게 쌍을 이루는 라벨링 및 대규모 교육 데이터 세트에 대한 요구 사항으로 인해 근본적으로 제한됩니다.

까다로운 교육 데이터 요구사항으로 인해 데이터 수집에 시간이 많이 걸리고, 실험 설계가 복잡하며, 시스템 교정 프로세스가 지루해져서 실제 응용 분야 요구 사항을 충족하기가 어렵습니다.

Light: Science & Application의 최근 간행물에서 MIT 산하 Picower 학습 및 기억 연구소의 Jian Zhao 박사, 광학 및 포토닉스 대학(CREOL)의 Xiaowen Hu 박사 및 Axel Schülzgen 박사가 발표했습니다. University of Central Florida와 동료들은 비지도 학습 기반 광섬유 이미징 시스템을 발표했습니다.

이 시스템은 Restore-CycleGAN이라는 맞춤형 Cycle Generative Adversarial Network(CyleGAN)와 Glass-Air Anderson Localizing Optical Fiber(GALOF)를 통합합니다. Restore-CycleGAN을 적용하면 레이블이 지정된 훈련 데이터의 제한 사항을 제거하면서도 고품질 이미징 복구를 유지하는 동시에 GALOF 모드의 고유한 물리적 특성은 충실도가 높고 강력한 이미징 프로세스를 지원하고 페어링되지 않은 이미징 훈련의 성공적인 구현을 보장합니다.

학습 알고리즘과 광학 장치 간의 상호 촉진으로 인해 Restore-CycleGAN-GALOF 방법은 다음과 같은 간단한 원샷 교육 프로세스를 사용하여 미터 길이의 광섬유를 통해 거의 아티팩트가 없고 풀 컬러 생물학적 이미지를 강력하게 전송합니다. 쌍을 이루는 학습 영상 데이터가 필요 없이 단 1000개의 이미지 쌍으로 구성된 소규모 학습 데이터 세트입니다. 이전에 보고된 지도 학습 방법에 비해 훈련 데이터 크기가 약 10배 감소합니다.

Restore-CycleGAN-GALOF 방법은 전송 및 반사 이미징 모드에서 인간 및 개구리 혈액 세포, 인간 호산구 및 인간 위암 세포를 포함한 다양한 생물학적 샘플에 대한 충실도가 높은 풀 컬러 이미지 전송 기능을 시연했습니다.

또한, 이 이미징 프로세스는 60도의 강한 기계적 섬유 굽힘과 최대 6밀리미터의 큰 작동 거리 변화에 대한 탄력성을 나타냈습니다. 놀랍게도 Restore-CycleGAN-GALOF 방법은 훈련 프로세스에 전혀 포함되지 않은 테스트 데이터에 대해 높은 정확도의 예측을 생성하여 소규모 데이터 체제에서 강력한 일반화를 나타냅니다.

Restore-CycleGAN-GALOF의 우수한 성능에도 불구하고 시스템 설계 및 실험 프로세스는 비교적 간단합니다. 과학자들은 이미징 방법의 중요성을 다음과 같이 요약했습니다. "섬유 장치의 말단부에 접근하고 충분한 훈련 데이터를 수집하는 것은 실제 응용 분야에서 어려운 일입니다. 고유한 속이 빈 기관 또는 생물학적 조직 환경은 강력한 이미지 전송에 추가적인 어려움을 안겨줍니다."