Técnica de aprendizaje de máquina reconstruye imágenes pasando a través de una fibra multimodo. Enfoque podría mejorar el diagnóstico médico, telecomunicaciones

En revista de la óptica de la sociedad para la investigación de alto impacto, Optica, el informe de los investigadores un tipo de algoritmo de aprendizaje de máquina conocida como una red neuronal profunda para reconocer imágenes de números desde el patrón de puntos de enseñanza crean cuando transmitió hasta el final de una fibra. El trabajo podría mejorar la proyección de imagen endoscópica para el diagnóstico médico, aumentar la cantidad de información sobre redes de telecomunicaciones de fibra óptica o aumentar la potencia óptica de fibras.

“Utilizamos modernas arquitecturas de redes neuronales profundos para recuperar las imágenes de entrada de la salida codificada de la fibra,” dijo Demetri Psaltis, Instituto Federal suizo de tecnología, de Lausana, que dirigió la investigación en colaboración con colega Christophe Moser. “Demostramos que esto es posible para las fibras hasta 1 kilómetro de largo”, agregó, llamando a la obra “un hito”.

Descifrar el desenfoque

Las fibras ópticas transmiten la información con la luz. Las fibras multimodas tienen mucho mayor capacidad de información de fibras monomodo. Sus muchos canales, conocidos como modos espaciales porque tienen diferentes formas espaciales–pueden transmitir diferentes flujos de información simultáneamente.

Mientras que las fibras multimodas son aptos para llevar las señales de la luz, transmisión de imágenes es problemático. Luz de la imagen que recorre todos los canales y lo que sale en el otro extremo es un patrón de puntos que el ojo humano no puede descifrar.

Para solucionar este problema, Psaltis y su equipo a una red neuronal profunda, un tipo de algoritmo de aprendizaje de máquina que funciona mucho lo que el cerebro hace. Redes neuronales profundos pueden dar computadoras la capacidad de identificar objetos en fotografías y ayudar a mejorar los sistemas de reconocimiento de voz. Entrada se procesa a través de varias capas de neuronas artificiales, cada una de ellas realiza un cálculo pequeño y pasa el resultado a la capa siguiente. La máquina aprende a identificar la entrada mediante el reconocimiento de los patrones de salida asociado.

“Si pensamos en el origen de las redes neuronales, que es nuestro propio cerebro, el proceso es sencillo,” explica Eirini Kakkava, estudiante de doctorado trabajando en el proyecto. “Cuando una persona mira fijamente un objeto, las neuronas en el cerebro se activan, lo que indica el reconocimiento de un objeto familiar. Nuestro cerebro puede hacer esto porque obtiene entrenó a lo largo de nuestra vida con imágenes o señales de la misma categoría de objetos, que cambia la fuerza de las conexiones entre las neuronas.” Para entrenar una red neuronal artificial, los investigadores siguen esencialmente el mismo proceso, enseñanza a la red reconocer ciertas imágenes (en este caso, los dígitos escritos a mano) hasta que es capaz de reconocer imágenes en la misma categoría que las imágenes de la formación que tiene no visto antes.

Aprendizaje de los números

Para entrenar a su sistema, los investigadores recurrieron a una base de datos con 20.000 muestras de números escritos a mano, 0 a 9. Seleccionado 16.000 para utilizarse como datos de entrenamiento y mantuvo a un lado 2.000 para validar la formación y otra 2.000 para probar el sistema validado. Utiliza un láser para iluminar cada dígito y envía el haz de luz a través de fibra óptica, que tenía aproximadamente 4.500 canales, a una cámara en el extremo. Una computadora mide cómo varía la intensidad de la luz de salida a través de la imagen capturada, y recogieron una serie de ejemplos para cada dígito.

Aunque los patrones de punto para cada dígito el mismo miraban por el ojo humano, la red neuronal fue capaz de discernir las diferencias y reconocer patrones de intensidad asociada a cada dígito. Prueba con las imágenes de retirada demostró que el algoritmo logra 97.6% de precisión para imágenes transmitidas a través de una 0,1 metros largo fibra 90% precisión y con una longitud de 1 kilómetro de fibra.

Un método más simple

Navid Borhani, miembro del equipo de investigación, dice esta máquina enfoque de aprendizaje es mucho más simple que otros métodos de reconstrucción de imágenes pasados a través de fibras ópticas, que requiere hacer una medición holográfica de la salida. La red neuronal también fue capaz de hacer frente a las distorsiones causadas por perturbaciones ambientales a la fibra como las fluctuaciones de temperatura o movimientos causados por corrientes de aire que pueden añadir ruido a la imagen, una situación que empeora con la longitud de la fibra.

“La capacidad notable de redes neuronales profundos para recuperar la información transmitida a través de las fibras multimodas se espera beneficiarse de procedimientos médicos como aplicaciones de endoscopia y comunicaciones”, dice Psaltis. Las señales de telecomunicaciones a menudo tienen que recorrer muchos kilómetros de fibra y pueden sufrir distorsiones, que este método podría corregir. Médicos podrían utilizar sondas de fibra ultrafina para recoger imágenes de las arterias dentro del cuerpo humano y extensiones sin necesidad de complejas grabadoras holográficas o preocuparse por movimiento. “Movimientos leves debido a la respiración o la circulación pueden distorsionar las imágenes transmitidas a través de una fibra multimodo”, dice Psaltis. Las redes neuronales profundos son una solución prometedora para tratar con ese ruido.

PSaltis y su equipo planean probar la técnica con muestras biológicas, a ver si eso funciona así como leer números escritos a mano. Que esperan para llevar a cabo una serie de estudios utilizando diferentes categorías de imágenes para explorar las posibilidades y límites de su técnica.