通过嵌入式神经网络控制用于显微镜的通用自适应光学
Qi Hu1, Martin Hailstone2, Jingyu Wang1
1Department of Engineering Science, University of Oxford, Oxford, UK.
Light, science & applications
|November 12, 2023
概括
我们开发了一种新的机器学习自适应光学 (AO) 方法,用于在显微镜中更快,更灵活的偏差校正. 这种基于物理的方法可以跨不同类型的显微镜进行转移,改善图像质量并提供物理洞察力.
科学领域:
- 光学显微镜是一种光学显微镜.
- 生物医学成像学 生物医学成像学
- 机器学习应用程序 机器学习应用程序
背景情况:
- 显微镜成像分辨率和对比度受到光学偏差的限制.
- 现有的自适应光学 (AO) 解决方案往往是特定于模式的.
- 需要一个适用于各种显微镜的通用AO系统.
研究的目的:
- 为显微镜开发一种通用且快速的偏差校正方法.
- 为了创建一个基于物理的,机器学习辅助的波无传感器AO控制 (MLAO) 系统.
- 为了使AO在不同的显微镜模式中具有可转移性.
主要方法:
- 实施了一种基于物理的机器学习辅助波浪前线无传感器AO控制 (MLAO) 方法.
- 设计了一种基于对图像形成的物理理解的新型神经网络 (NN) 架构.
- 在双光子,三光子和广场3D结构化照明显微镜的控制循环中嵌入了NN.
主要成果:
- MLAO方法显示出比传统的基于模态的无传感器AO更快,更有效的偏差校正.
- 成功地将该方法应用于各种显微镜技术,包括两光子,三光子和广场3D结构化照明.
- 在3D结构,样本运动,低信号噪声比和光波动等具有挑战性的条件下展示了强度.
结论:
- 开发的MLAO方法为显微镜中偏差校正提供了一个通用的,可翻译的解决方案.
- 基于物理学的NN提供了物理洞察力,超越了"黑子"的方法.
- 这种方法提高了复杂的生物成像场景中的图像质量和稳定性.
