由深度学习赋能的计算干涉显微术
图像与视频处理
2024-06-12 v1 光学
定量方法
摘要
定量相位成像（QPI）已广泛应用于细胞与组织的表征。空间光干涉显微术（SLIM）因其部分相干照明与共路干涉结构而成为高灵敏度的 QPI 方法。然而，其采集速率受四帧相移方案限制。另一方面，离轴方法如衍射相位显微术（DPM）可实现单帧 QPI。但基于激光的 DPM 系统受散斑与多次反射引起的空间噪声困扰。在并行发展中，深度学习在生物成像领域被证明极具价值，尤其因其能将一种对比度形式转换为另一种。本文提出利用深度学习，以 DPM 单帧图像为输入，生成合成的、具 SLIM 质量的高灵敏度相位图。我们使用一台倒置显微镜，其两个端口分别连接 DPM 与 SLIM 模块，从而可在同一视场获取两类图像。我们构建了基于 U-net 的深度学习模型，并在超过 1000 对 DPM 与 SLIM 图像上训练。该模型学会去除激光 DPM 中的散斑，并克服了测试集与新数据中的背景相位噪声。此外，我们将神经网络推理集成至实时采集软件中，使 DPM 用户能够实时观察极低噪声的相位图像。我们以血涂片（含红细胞与白细胞）在静态与动态条件下演示了这一计算干涉显微术（CIM）成像原理。
引用
@article{arxiv.2012.10239,
title = {Computational interference microscopy enabled by deep learning},
author = {Yuheng Jiao and Yuchen R. He and Mikhail E. Kandel and Xiaojun Liu and Wenlong Lu and Gabriel Popescu},
journal= {arXiv preprint arXiv:2012.10239},
year = {2024}
}