合成孔径数字全息显微镜的异常估计使用深度神经网络
Hosung Jeon1, Minwoo Jung1, Gunhee Lee1
1School of Electronic and Electrical Engineering, Kyungpook National University, Daegu 41566, Republic of Korea.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
这项研究引入了深度神经网络 (DNN) 来纠正合成孔径数字全息显微镜 (SA-DHM) 的偏差. 这种新方法提高了图像的分辨率和质量,克服了传统显微镜技术的局限性.
科学领域:
- 光学显微镜是一种光学显微镜.
- 计算机成像成像技术
- 生物物理学的生物物理.
背景情况:
- 数字全息显微镜 (DHM) 通过衍射束测量样品的光学特性.
- DHM中的拉格朗奇不变性限制了空间带宽乘积 (SBP),影响了分辨率和视野.
- 合成光圈DHM (SA-DHM) 旨在克服SBP的局限性,但它存在偏差.
研究的目的:
- 提出一种使用深度神经网络 (DNN) 进行SA-DHM异常补偿的新方法.
- 为了将偏差补偿扩展到客观镜片的数值光圈 (NA) 以外.
- 为了提高SA-DHM的分辨率和图像质量.
主要方法:
- 使用衍射模式和通过圆形孔径获得的泽尼克系数来训练DNN.
- 从被圆形孔口掩盖的部分衍射束中估计偏差系数.
- 在SA-DHM的照明束中实施基于DNN的偏差补偿.
主要成果:
- 在SA-DHM的照明束中有效补偿偏差.
- 通过模拟证明了样本图像的分辨率和质量的改进.
- 从有限的衍射束信息成功估计了偏差系数.
结论:
- 深度神经网络为SA-DHM中偏差校正提供了一个强大的工具.
- 提出的方法显著提高了SA-DHM的性能,克服了先前的局限性.
- 这种整合有望为更广泛的科学应用带来显微镜方面的进步.
