基于 RESNET50 卷积神经网络的散射介质光学参数提取应用
光学
2025-08-20 v2 机器学习
摘要
散射介质（如组织）的光学属性估计在诊断和开发深层成像技术方面至关重要。随着光线穿透样本，散射事件会随机性改变光子的传播方向，从而导致图像质量下降。然而，散射光的分布可作为约简散射系数和吸收系数的测度。不幸的是，在光线部分随机化的条件下，将散射图案反演以恢复光学属性并不简单，尤其是针对从后向散射光或经由散射光恢复这些属性的难度更大。近期多位作者提出利用机器学习方法从后向散射光或经由散射光中恢复这些属性。本文我们训练了一个通用卷积神经网络 RESNET50，使用基于蒙特卡罗模拟的模拟数据。我们表明，与以往工作相比，本方法在训练数据量大幅减少的情况下，能够实现相当或更好的重建精度。此外，通过训练多个参数（如多个平面上的强度分布、出射角和空间分布），可实现比仅训练单个输入（如样本表面捕获的强度分布）更好的性能。尽管本方法在参数重建方面表现良好，但我们识别出限制重建属性精度的因素，特别是吸收系数。在这些局限性的启发下，我们提出了本方法实现更好性能的建议。
引用
@article{arxiv.2404.16647,
title = {Application of RESNET50 Convolution Neural Network for the Extraction of Optical Parameters in Scattering Media},
author = {Bowen Deng and Yihan Zhang and Andrew Parkes and Alex Bentley and Amanda Wright and Michael Pound and Michael Somekh},
journal= {arXiv preprint arXiv:2404.16647},
year = {2025}
}