基于嵌入式神经网络控制的显微术通用自适应光学
图像与视频处理
2023-04-26 v3 系统与控制
系统与控制
光学
摘要
显微镜成像的分辨率与对比度常受不完善光学系统及样品中非均匀折射结构引入的像差影响。自适应光学(AO)可补偿这些像差并恢复衍射极限性能。已有大量AO方案被提出,通常针对特定显微镜类型或应用定制。迄今,一种通用的AO方案——可在不同显微镜模态间轻松迁移的方案——尚未部署。我们提出利用基于物理的机器学习(ML)辅助无波前传感器AO控制方法实现通用且快速的像差校正。与以往ML方法不同,我们采用了一种定制神经网络(NN)架构,其基于成像过程的物理理解设计,并嵌入显微镜控制环路中。该方法不仅使所得NN比以往NN方法简洁数个数量级,且概念可跨显微镜模态迁移。我们在双光子、三光子以及宽场三维(3D)结构光照明显微镜上演示了该方法。结果表明该方法优于常用的基于模态的无传感器AO方法。我们还表明,基于ML的方法在一系列挑战性成像条件下具有鲁棒性,如扩展3D样品结构、样品运动、低信噪比以及活动诱发的荧光波动。此外,由于定制架构封装了成像过程的物理理解,NN内部配置不再是“黑箱”,而是提供了对内在工作机制的物理洞察,可影响未来设计。
引用
@article{arxiv.2301.02647,
title = {Universal adaptive optics for microscopy through embedded neural network control},
author = {Qi Hu and Martin Hailstone and Jingyu Wang and Matthew Wincott and Danail Stoychev and Huriye Atilgan and Dalia Gala and Tai Chaiamarit and Richard M. Parton and Jacopo Antonello and Adam M. Packer and Ilan Davis and Martin J. Booth},
journal= {arXiv preprint arXiv:2301.02647},
year = {2023}
}
备注
27 pages, 12 figures