復(fù)雜域神經(jīng)網(wǎng)絡(luò)促進(jìn)了大規(guī)模相干成像的發(fā)展

通過提供寬視場(chǎng)和高分辨率功能，計(jì)算成像有可能徹底改變光學(xué)成像。振幅和相位的聯(lián)合重建被稱為“相干成像或全息成像”——將光學(xué)系統(tǒng)的吞吐量擴(kuò)展到數(shù)十億個(gè)光學(xué)可分辨點(diǎn)。這一突破使研究人員能夠深入了解生物醫(yī)學(xué)研究的細(xì)胞和分子結(jié)構(gòu)。 盡管有潛力，現(xiàn)有的大規(guī)模相干成像技術(shù)面臨著廣泛臨床應(yīng)用的挑戰(zhàn)。許多這些技術(shù)需要多次掃描或調(diào)制過程，導(dǎo)致較長的數(shù)據(jù)收集時(shí)間，以實(shí)現(xiàn)高分辨率和信噪比。由于速度、分辨率和質(zhì)量之間的權(quán)衡，這減慢了成像速度，限制了其在臨床環(huán)境中的可行性。

最近的圖像去噪方法提供了一種潛在的解決方案，即在迭代重建過程中使用去噪算法來提高稀疏數(shù)據(jù)的成像質(zhì)量。然而，傳統(tǒng)的方法計(jì)算復(fù)雜，而基于深度學(xué)習(xí)的技術(shù)泛化能力差，并且犧牲了圖像細(xì)節(jié)。

在《Advanced Photonics Nexus》上發(fā)表的一項(xiàng)研究中，來自北京理工大學(xué)、加州理工學(xué)院和康涅狄格大學(xué)的一組研究人員展示了一種復(fù)雜域神經(jīng)網(wǎng)絡(luò)，可以顯著增強(qiáng)大規(guī)模相干成像。這為各種方式的低采樣和高質(zhì)量相干成像開辟了新的可能性。

復(fù)雜域神經(jīng)網(wǎng)絡(luò)支持大規(guī)模相干成像 該技術(shù)利用振幅和相位分量之間的潛在耦合信息，實(shí)現(xiàn)復(fù)雜波前的多維表示。該框架在各種相干成像模式中具有很強(qiáng)的通用性和魯棒性。 研究人員利用二維復(fù)卷積單元和復(fù)激活函數(shù)構(gòu)建了一個(gè)網(wǎng)絡(luò)。他們還開發(fā)了一個(gè)綜合的相干成像多源噪聲模型，包括散斑噪聲、泊松噪聲、高斯噪聲和超分辨率重建噪聲。多源噪聲模型有利于提高合成數(shù)據(jù)對(duì)實(shí)際數(shù)據(jù)的域適應(yīng)能力。

所報(bào)道的技術(shù)被應(yīng)用于幾種相干成像模式，包括Kramers-Kronig關(guān)系全息術(shù)、傅立葉全息顯微鏡和無透鏡編碼全息術(shù)。大量的模擬和實(shí)驗(yàn)表明，該技術(shù)保持了高質(zhì)量的重建和效率，同時(shí)顯著減少了曝光時(shí)間和數(shù)據(jù)量-通過一個(gè)數(shù)量級(jí)。

高質(zhì)量的重建為后續(xù)的高級(jí)語義分析提供了重要的意義，如高精度的細(xì)胞分割和虛擬染色，潛在地促進(jìn)智能醫(yī)療的發(fā)展。 快速、高分辨率成像的潛力，減少曝光時(shí)間和數(shù)據(jù)量，為實(shí)時(shí)細(xì)胞觀察帶來了希望。此外，通過結(jié)合人工智能診斷，該技術(shù)可能會(huì)解開復(fù)雜生物系統(tǒng)的秘密，并推動(dòng)醫(yī)學(xué)診斷的界限。