利用机器学习优化低成本手机显微镜中的相衬
光学
2018-07-04 v1
摘要
配备高质量相机与强大 CPU 及 GPU 的手机已十分普及。这为在发展中国家以极低成本利用既有计算与成像资源进行医学诊断开辟了新前景。许多相关样本，如生物细胞或水生寄生虫，几乎完全透明。因其不表现吸收而仅改变光的相位，在明场显微镜下几乎不可见。昂贵的显微衬比或样本染色设备与流程往往无法获得。通过应用机器学习技术，如卷积神经网络（CNN），可从给定数据集学习待检样本与其最优光源形状（如为增强相衬）之间的关系，以实现实时应用。实验装置中，我们仅使用现成组件（如低成本视频投影仪）开发了一款成本低于 100 美元的 3D 打印智能手机显微镜。全自动化系统以 LCD 作为聚光镜孔径、倒置手机镜头作为显微镜物镜，确保真正的 Koehler 照明。我们表明，利用预训练 CNN 改变光源形状的效果不仅改善了相衬，也在不添加任何特殊光学元件的情况下带来了光学分辨率提升的观感，测量已证实这一点。
引用
@article{arxiv.1712.06891,
title = {Using Machine-Learning to Optimize phase contrast in a Low-Cost Cellphone Microscope},
author = {Benedict Diederich and Rolf Wartmann and Harald Schadwinkel and Rainer Heintzmann},
journal= {arXiv preprint arXiv:1712.06891},
year = {2018}
}