基于物理模型模拟器训练的神经网络用于多次散射样品的计算三维相位成像

恢复复杂、多次散射生物样品的三维相位特征，传统上以计算效率和处理时间为代价来换取物理模型精度与重建质量。这一权衡阻碍了生物研究中最受关注的活体动态生物样品的快速分析。在此，我们通过将环形强度衍射层析成像（aIDT）与近似引导的深度学习框架相结合，克服了这一瓶颈。利用一种新颖的基于物理模型模拟器的学习策略（完全在自然图像数据集上训练），我们展示了我们的网络能够鲁棒地重建任意大小与结构的复杂三维生物样品。该方法凸显了大规模多次散射模型可替代获取实验数据集，以实现高度可泛化的深度学习模型。我们设计了一种新的基于模型的数据归一化预处理流程，用于均质化样品对比度并达成一致的预测质量，而与散射强度无关。为实现高效的训练与预测，我们实现了一种轻量级二维网络结构，利用多通道输入来编码轴向信息。我们在颊黏膜上皮细胞和秀丽隐杆线虫的实验测量中展示了该框架的能力。我们通过在对活体线虫视频的动态样品评估中验证了该方法的鲁棒性，并通过恢复在不同实验装置下评估的藻类样品强调了该方法的泛化能力。为评估预测质量，我们开发了一种新颖的定量评价指标，并表明我们的预测与实验测量及多次散射物理规律一致。