Les méthodes d’imagerie par fibre optique permettent une imagerie in vivo profondément à l’intérieur d’organes ou de tissus creux qui sont autrement inaccessibles aux techniques optiques en espace libre, jouant un rôle vital dans la pratique clinique et la recherche fondamentale, comme le diagnostic endoscopique et l’imagerie cérébrale profonde.
Récemment, les méthodes d’imagerie par fibre optique basées sur l’apprentissage supervisé ont gagné en popularité en raison de leurs performances supérieures dans la récupération d’images haute fidélité à partir d’images dégradées fournies par fibre ou même de motifs de chatoiement brouillés. Malgré leur succès, ces méthodes sont fondamentalement limitées par leurs exigences en matière d’étiquetage strictement apparié et de grands ensembles de données d’apprentissage.
Les exigences élevées en matière de données de formation entraînent une acquisition de données fastidieuse, une conception expérimentale compliquée et des processus d’étalonnage de système fastidieux, ce qui rend difficile la satisfaction des besoins des applications pratiques.
Dans une publication récente dans Lumière : science et applicationsle Dr Jian Zhao du Picower Institute for Learning and Memory du Massachusetts Institute of Technology, le Dr Xiaowen Hu et le Dr Axel Schülzgen du College of Optics and Photonics (CREOL) de l’Université de Floride centrale, et leurs collègues ont présenté un système d’imagerie à fibre optique basé sur l’apprentissage non supervisé.
Ce système intègre un Cycle Generative Adversarial Network (CyleGAN) personnalisé, nommé Restore-CycleGAN, avec Glass-Air Anderson Localizing Optical Fiber (GALOF). L’application de Restore-CycleGAN supprime les restrictions des données de formation étiquetées, tout en maintenant une récupération d’imagerie de haute qualité, tandis que les propriétés physiques uniques des modes du GALOF prennent en charge des processus d’imagerie haute fidélité et très robustes et garantissent la mise en œuvre réussie d’une formation en imagerie non appariée.
En raison de la promotion mutuelle entre l’algorithme d’apprentissage et les dispositifs optiques, la méthode Restore-CycleGAN-GALOF réalise un transport presque sans artefact et robuste d’images biologiques en couleur à travers une fibre optique d’un mètre de long en utilisant un simple processus de formation en une seule fois avec un petit ensemble de données d’entraînement de seulement 1000 paires d’images, sans nécessiter de données d’imagerie d’entraînement appariées. La taille des données d’apprentissage est réduite d’environ dix fois par rapport aux méthodes d’apprentissage supervisé précédemment signalées.
La méthode Restore-CycleGAN-GALOF a démontré des capacités de transport d’images haute fidélité et en couleur pour divers échantillons biologiques, y compris les cellules sanguines humaines et de grenouille, les éosinophiles humains et les cellules cancéreuses de l’estomac humain, en modes d’imagerie par transmission et par réflexion.
De plus, ce processus d’imagerie a fait preuve de résilience contre une forte flexion mécanique des fibres à 60 degrés et de grandes variations de distance de travail allant jusqu’à 6 millimètres. Remarquablement, la méthode Restore-CycleGAN-GALOF a produit des prédictions de haute précision pour les données de test qui n’ont jamais été incluses dans le processus de formation, indiquant une forte généralisation dans le régime des petites données.
Malgré les performances supérieures de Restore-CycleGAN-GALOF, la conception du système et le processus expérimental sont relativement simples. Les scientifiques ont résumé l’importance de leur méthode d’imagerie : « L’accès à l’extrémité distale des dispositifs à fibre et la collecte de données de formation suffisantes sont difficiles dans les applications pratiques. Les environnements uniques d’organes creux ou de tissus biologiques imposent des difficultés supplémentaires dans le transport d’image robuste. »
« Pourtant, notre méthode Restore-CycleGAN-GALOF ne nécessite qu’une petite quantité de données d’entraînement et élimine le besoin d’apparier les fonctionnalités d’image. Dans le régime de petites données, cette méthode garantit une imagerie en couleur généralisable très robuste et solide. En conséquence, il est mieux adapté pour satisfaire diverses applications biomédicales pratiques. »
« Nos techniques devraient jeter les bases du système d’imagerie par fibre optique de nouvelle génération. Nos recherches futures se concentreront sur le développement de systèmes d’endoscopie pratiques et la réalisation de tests d’applications biomédicales connexes. Nous aspirons à faire progresser le diagnostic médical et la recherche biologique fondamentale grâce à notre méthodologie. « , ont ajouté les scientifiques.
Plus d’information:
Xiaowen Hu et al, reconstruction d’images cellulaires en couleur non supervisée par fibre optique désordonnée, Lumière : science et applications (2023). DOI : 10.1038/s41377-023-01183-6