深度学习已经为各种成像任务取得了基准结果，包括全息显微镜，其中一个关键步骤是使用仅强度测量恢复样本的相位信息。通过在设计良好的数据集上进行训练，深度神经网络已证明在精度和计算效率方面优于经典的相位恢复和全息图重建算法。然而，模型泛化是指将神经网络的能力扩展到训练期间从未见过的新类型样本，对于现有深度学习模型来说仍然是一个挑战。
加州大学洛杉矶分校的研究人员最近创建了一种新的神经网络体系结构，称为傅立叶成像器网络（FIN），它对未知样本类型进行了前所未有的泛化，在相位检索和全息图像重建任务中也实现了卓越的计算速度。在这种新方法中，他们引入了空间傅里叶变换模块，使神经网络能够利用整个图像的空间频率。加州大学洛杉矶分校的研究人员在人类肺组织样本上训练了他们的FIN模型，并通过重建人类前列腺和唾液腺组织切片以及巴氏涂片样本的全息图（在训练阶段从未见过）证明了其优越的泛化性。
据报道，与经典全息图重建算法和最先进的深度学习模型相比，这种新的基于深度学习的框架实现了更高的图像重建精度，同时将重建时间缩短了约50倍。这种新的深度学习框架可广泛用于创建用于各种显微成像和计算机视觉任务的高度通用的神经网络。
这项研究由加州大学洛杉矶分校校长教授兼沃格诺工程创新主席艾多根·奥兹坎博士和霍华德·休斯医学院的HHMI教授领导。这项工作的其他作者包括来自加州大学洛杉矶分校电气和计算机工程系的陈汉龙、黄路哲和刘泰然。Ozcan教授还被任命为加州大学洛杉矶分校生物工程和外科系的教员，是加州纳米系统研究所的副所长。