DeepQuadrature: jedna ramka, pełna precyzja

Badacze z QCI Lab z Wydziału Mechatroniki PW, we współpracy z Arktycznym Uniwersytetem Norweskim w Tromsø oraz Uniwersytetem w Münster, opracowali narzędzie oparte na sztucznej inteligencji, które zwiększa możliwości analizy interferogramów i hologramów optycznych. Wyniki opublikowali w prestiżowym Journal of Physics: Photonics. 

Zespół naukowców z Politechniki Warszawskiej w ramach projektu DeepQuadrature pracuje nad uproszczeniem i przyspieszeniem pomiarów optycznych, od mikrostruktur metali po komórki biologiczne. DeepQuadrature to pomysł na to, jak „zobaczyć więcej, mając mniej”. Chodzi o to, żeby z jednego zdjęcia, wykonanego techniką pomiaru wykorzystującą światło jako znacznik, wyciągnąć jak najwięcej informacji. Normalnie, żeby te informacje wyciągnąć (np. grubość warstwy, kształt powierzchni, strukturę wewnętrzną komórki biologicznej), trzeba robić kilka zdjęć z komplementarnymi danymi, pozwalającymi na dokładną rekonstrukcję. DeepQuadrature - model głębokiego uczenia - pozwala to wszystko zrobić na podstawie jednej fotografii, dzięki sztucznej inteligencji. Zamiast budować skomplikowany sprzęt, naukowcy chcą dać narzędzie w postaci oprogramowania, które "doda" brakujące informacje. Pracują nad tym, żeby ten system działał nie tylko ogólnie, ale był też dostosowany do konkretnych zastosowań – np. badania pewnych typów komórek.

Techniki pomiarowe oparte na obrazach prążkowych, takie jak mikroskopia holograficzna czy interferometria, znajdują szerokie zastosowanie w biologii, optyce czy inżynierii materiałowej ze względu na wysoką precyzję i nieinwazyjność pomiaru. Kluczowym ograniczeniem ich dokładności jest przepustowość informacyjna - tzw. space-bandwidth product (SBP), który decyduje o ilości i jakości informacji możliwej do pozyskania z obrazu. DeepQuadrature zwiększa SBP w sposób czysto numeryczny, bez konieczności modyfikacji układu optycznego. Dzięki treningowi na syntetycznych danych o zróżnicowanej geometrii i częstotliwości prążków, potrafi adaptacyjnie analizować zarówno obiekty techniczne, jak i biologiczne – od powierzchniowych mikrostruktur stopów metali po obrazy komórek HeLa. W badaniach eksperymentalnych naukowcy QCI Lab w międzynarodowej współpracy osiągnęli dokładność porównywalną z metodami wieloramkowymi, zachowując przy tym prostotę podejścia jednoramkowego. 

Nasi naukowcy w ramach projektu uczą sieć neuronową, jak „dopowiadać” brakujące dane na podstawie jednego obrazu, sprawdzają, jak dobrze działa on na rzeczywistych danych, testują, czy można go wykorzystać np. w obrazowaniu biologicznym czy w analizie materiałów technicznych, a także tworzą zestawy danych i narzędzia, które potem udostępniają innym badaczom – w szczególności mikrobiologom i lekarzom.

Zespół z PW to czwórka badaczy z Laboratorium Obrazowania Kwantowego (QCI Lab) na Wydziale Mechatroniki: dr inż. Maria Cywińska, prof. Michał Jóźwik, prof. Krzysztof Patorski i prof. Maciej Trusiak. Każdy odpowiadał za inne elementy – od budowy modelu AI, przez projekt eksperymentów, aż po analizę danych. Nasi naukowcy współpracowali z Arktycznym Uniwersytetem Norweskim w Tromso (dr Azeem Ahmad i prof. Balpreet Ahluwalia) i Uniwersytetem w Munster (prof. Bjorn Kemper), a efektem współpracy jest publikacja naukowa w prestiżowym Journal of Physics: Photonics. Z pracą można zapoznać się tutaj. Główną autorką publikacji jest dr inż. Maria Cywińska, która opracowała algorytm oparty o sieci neuronowe, a następnie go testowała. Sieć neuronowa potrafi „domyślić się”, jak wygląda obraz przesunięty w fazie o 90 stopni. Brała też udział w testach eksperymentalnych i analizie wyników – zespół sprawdzał, czy jego metoda działa nie tylko na danych komputerowych, ale też w rzeczywistych pomiarach. 

Oszczędność – czasu, miejsca, pieniędzy

Metody wieloramkowe wymagają kosztownej aparatury pozwalającej na precyzyjne wygenerowanie ramek. DeepQuadrature pozwala zastąpić drogi komponent sprzętowy oprogramowaniem.  

Dr inż. Maria Cywińska, wskazuje na oszczędności, na które pozwala zastosowanie narzędzia. - Konsekwencją nie jest tylko oszczędność pieniędzy. Pomiary jednoramkowe są szybsze i łatwiejsze, co pozwala na ich mobilne stosowanie poza laboratorium optycznym. To duża szansa na szerokie upowszechnienie tej technologii.

Największym beneficjentem będą ci, którzy korzystają z zaawansowanych pomiarów optycznych – naukowcy, lekarze, inżynierowie materiałowi. Dzięki DeepQuadrature pomiary mogą być tańsze (bo nie trzeba drogiego sprzętu) i szybsze (bo wystarczy jedno ujęcie). Dzięki temu narzędzie może mieć realne zastosowanie poza laboratorium – np. w szpitalach, w terenie czy nawet w edukacji. Warto podkreślić, że metoda daje wyniki równie dobre, co dużo droższe i trudniejsze techniki, a ponadto DeepQuadrature pozwala „zastąpić sprzęt oprogramowaniem” – to tak, jakby mieć w kieszeni laboratorium. 

Narzędzie otwiera drogę do bardziej dostępnej diagnostyki i precyzyjnych pomiarów w wielu dziedzinach. Nasi naukowcy wytrenowali DeepQuadrature dla przypadku ogólnego - gdy sieć jest przygotowana do szerokiej gamy zadań. - W przyszłości chcemy przeprowadzić uczenie z myślą o konkretnym zadaniu eksperymentalnym np. obserwacji danego typu preparatów biologicznych. Pozwoli to na porównanie wyników dla tych dwóch scenariuszy – podsumowuje dr inż. Maria Cywińska. 

Działania badawcze są finansowane przez Narodowe Centrum Nauki w ramach programu PRELUDIUM (2021/41/N/ST7/04057 budżet: 139 568 PLN) oraz OPUS (2020/37/B/ST7/03629, budżet ok. 2 000 000 PLN), a także Ministerstwo Edukacji i Nauki (Polska Metrologia PM/SP/0008/2021/1, budżet: 572 000 PLN).

Cały model DeepQuadrature oraz zestawy danych użyte do jego treningu i walidacji są dostępne publicznie na GitHubie – co promuje otwartą naukę.