学习使用多模光纤成像和计算
Babak Rahmani1, Ilker Oguz1,2, Ugur Tegin1,2
1Laboratory of Applied Photonics Devices, School of Engineering, Ecole Polytechnique Fédérale de Lausanne, Institute of Electrical and MicroEngineering, Lausanne, 1015, Switzerland.
Nanophotonics (Berlin, Germany)
|December 5, 2024
概括
本文回顾了通过多模纤维 (MMF) 传输图像的新型机器学习方法,通过使更薄,更高分辨率的成像设备成为可能,这可能会彻底改变医疗内镜. 它讨论了诸如相结合和高级光学成像传输矩阵等方法.
科学领域:
- 光学和光子学 在光学和光子学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 多模纤维 (MMF) 最初用于数字数据,但显示出对模拟图像传输的潜力.
- 目前的内镜使用厚厚的纤维束;MMF可以使更薄,更少的侵入性设备用于高分辨率成像.
- 机器学习 (ML) 提供了通过货币货币基金 (MMF) 图像和传输数据的新方法.
研究的目的:
- 通过多模纤维 (MMF) 审查新的机器学习 (ML) 方法用于成像和图像传输.
- 探索货币市场基金在执行ML任务中的应用.
- 与传统方法相比,讨论基于ML的成像的优缺点.
主要方法:
- 对散射介质,特别是MMF中的成像技术的审查,涉及相位和振幅测量.
- 对模拟相联,数字相联和全波全息传输矩阵方法的讨论.
- 探索图像任务的代优化技术,如通过MMF对焦和显示.
主要成果:
- 货币货币基金可以传输多个空间模式,从而有可能用单一的薄纤维取代目前内镜中的厚纤维捆.
- 机器学习方法,结合相和传输矩阵方法等技术,可以通过MMF进行高分辨率成像.
- 传输矩阵方法被强调为在货币市场基金中重建输入-输出关系的黄金标准.
结论:
- 基于MMF的ML成像有潜力彻底改变医疗内镜,使更少的侵入性手术和访问以前无法到达的组织.
- 机器学习提供了强大的工具来克服MMF中光传播的复杂性,用于先进的成像应用.
- 对ML和MMF的进一步研究可以导致光学成像和内镜技术的重大进步.
