Loading...
Computational optics techniques using neural networks to extract quantitative information from biomedical signals
Alvarez Navarro, Michael A.
Alvarez Navarro, Michael A.
Citations
Altmetric:
Abstract
Computational optics is an advanced field that combines various methods and technologies to design, simulate, and enhance optical systems and processes. Despite their potential, these advances encounter significant limitations in terms of being widely adopted as the standard technology beyond being used by specialized centers and applications. One major challenge is the complexity and computational cost required to create reliable technology that allows the capture of information at the temporal and spatial resolution required in biomedical applications. This research contributes to addressing this challenge to improve the capabilities of computational optical sensors by developing methodologies that integrate light-tissue interactions and artificial intelligence (AI) models with advanced data acquisition techniques. The main contributions include using deep learning (DL) models to simulate the resulting electric field from the propagation of a light source in heterogeneous objects. The results are compared to the direct solution of the wave equation using the Finite-Difference Time-Domain method. Additionally, a framework to generate photoplethysmography (PPG) signals with Monte Carlo simulations was created for the design and training of a hybrid DL model for estimating hemoglobin levels from PPG signals. A similar approach was explored for generating quantitative phase images from intensity microscopy images. Overall, this research resulted in new methodologies that integrate traditional computational techniques with modern AI models that promise to expand the use of current technologies in health and biomedical applications.
La óptica computacional es un campo avanzado que combina métodos y tecnologías para diseñar, simular y mejorar sistemas y procesos ópticos. A pesar de su potencial, estos avances encuentran importantes limitaciones a la hora de ser adoptados ampliamente como tecnología estándar más allá de su uso por centros especializados. Un desafío es la complejidad y el costo computacional necesarios para crear una tecnología confiable que permita la captura de información con la resolución temporal y espacial requerida en las aplicaciones biomédicas. Esta investigación contribuye a abordar este desafío para mejorar las capacidades de los sensores ópticos computacionales mediante el desarrollo de metodologías que integran interacciones luz-tejido y modelos de inteligencia artificial (IA) con técnicas avanzadas de adquisición de datos. Las principales contribuciones incluyen el uso de modelos de aprendizaje profundo (DL, por sus siglas en inglés) para simular el campo eléctrico resultante de la propagación de una fuente de luz en objetos heterogéneos. Los resultados se comparan con la solución de la ecuación de onda utilizando el método de diferencias finitas en el dominio del tiempo. Además, se creó un marco para generar señales de fotopletismografía (PPG, por sus siglas en inglés) con simulaciones de Monte Carlo para el diseño y entrenamiento de un modelo DL híbrido para estimar los niveles de hemoglobina a partir de señales de PPG. Se exploró un enfoque similar para generar imágenes de fase cuantitativa a partir de imágenes de microscopía de intensidad. En general, esta investigación dio como resultado nuevas metodologías que integran técnicas computacionales tradicionales con modelos de IA que prometen ampliar el uso de las tecnologías actuales en aplicaciones biomédicas.
La óptica computacional es un campo avanzado que combina métodos y tecnologías para diseñar, simular y mejorar sistemas y procesos ópticos. A pesar de su potencial, estos avances encuentran importantes limitaciones a la hora de ser adoptados ampliamente como tecnología estándar más allá de su uso por centros especializados. Un desafío es la complejidad y el costo computacional necesarios para crear una tecnología confiable que permita la captura de información con la resolución temporal y espacial requerida en las aplicaciones biomédicas. Esta investigación contribuye a abordar este desafío para mejorar las capacidades de los sensores ópticos computacionales mediante el desarrollo de metodologías que integran interacciones luz-tejido y modelos de inteligencia artificial (IA) con técnicas avanzadas de adquisición de datos. Las principales contribuciones incluyen el uso de modelos de aprendizaje profundo (DL, por sus siglas en inglés) para simular el campo eléctrico resultante de la propagación de una fuente de luz en objetos heterogéneos. Los resultados se comparan con la solución de la ecuación de onda utilizando el método de diferencias finitas en el dominio del tiempo. Además, se creó un marco para generar señales de fotopletismografía (PPG, por sus siglas en inglés) con simulaciones de Monte Carlo para el diseño y entrenamiento de un modelo DL híbrido para estimar los niveles de hemoglobina a partir de señales de PPG. Se exploró un enfoque similar para generar imágenes de fase cuantitativa a partir de imágenes de microscopía de intensidad. En general, esta investigación dio como resultado nuevas metodologías que integran técnicas computacionales tradicionales con modelos de IA que prometen ampliar el uso de las tecnologías actuales en aplicaciones biomédicas.
Description
Date
2024-07-10
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Research Projects
Organizational Units
Journal Issue
Keywords
Computational optics, Deep learning, Finite-Difference Time-Domain method, Monte Carlo simulation