复杂域神经网络推动大规模相干成像技术发展

​1 / 1 复域神经网络支持大规模相干成像。资料来源：Xuyang Chang。

计算成像具有宽视场和高分辨率的能力，有望彻底改变光学成像。振幅和相位的联合重建--被称为 "相干成像或全息成像"--将光学系统的吞吐量扩大到数十亿个可光学分辨的光点。这一突破使研究人员能够深入了解生物医学研究中的细胞和分子结构。

尽管潜力巨大，但现有的大规模相干成像技术在临床广泛应用方面仍面临挑战。其中许多技术需要多个扫描或调制过程，导致数据采集时间过长，难以实现高分辨率和高信噪比。由于需要在速度、分辨率和质量之间进行权衡，这就减慢了成像速度，限制了其在临床环境中的可行性。

最新的图像去噪方法提供了一种潜在的解决方案，即在迭代重建过程中使用去噪算法，提高稀疏数据的成像质量。然而，传统方法计算复杂，而基于深度学习的技术概括性差，会牺牲图像细节。

在《先进光子学》（Advanced Photonics Nexus）杂志报道的一项研究中，来自北京理工大学、加州理工学院和康涅狄格大学的研究团队展示了一种复域神经网络，它能显著增强大规模相干成像。这为各种模式下的低采样和高质量相干成像提供了新的可能性。

该技术利用了振幅和相位分量之间的潜在耦合信息，从而实现了复杂波前的多维表示。该框架在各种相干成像模式中显示出很强的通用性和鲁棒性。

研究人员利用二维复数卷积单元和复数激活函数构建了一个网络。他们还为相干成像开发了一个全面的多源噪声模型，包括斑点噪声、泊松噪声、高斯噪声和超分辨率重建噪声。多源噪声模型有利于从合成数据到真实数据的域适应能力。

所报告的技术被应用于多种相干成像模式，包括克拉默-克罗尼格关系全息成像、傅立叶平片显微成像和无镜头编码平片成像。大量的模拟和实验表明，该技术在保持高质量重建和效率的同时，还能显著减少曝光时间和数据量（数量级）。

高质量的重构为后续的高级语义分析（如高精度细胞分割和虚拟染色）提供了重要意义，有可能促进智能医疗的发展。

在缩短曝光时间和减少数据量的同时，快速、高分辨率成像的潜力为实时细胞观察带来了希望。此外，通过结合人工智能诊断，这项技术可能会揭开复杂生物系统的秘密，推动医疗诊断的发展。

参考资料

Xuyang Chang et al, Complex-domain-enhancing neural network for large-scale coherent imaging, Advanced Photonics Nexus (2023). DOI: 10.1117/1.APN.2.4.046006

本文由光电查搜集整理，未经同行评议，请自行判断可信度。仅供学习使用。