用物理驱动的通用双图像去除网络用于数字直线全息显微镜

科学领域:

• 生物医学光学 生物医学光学
• 计算成像技术的成像
• 机器学习应用 机器学习应用

背景情况:

• 数字直线全息显微镜 (DIHM) 为细胞运动和生物微流体提供了具有成本效益的定量相位成像.
• 双图像噪声显著降低了DIHM重建质量,限制了其应用.
• 现有的降噪方法往往需要复杂的硬件或是计算密集型,有效性有限.

研究的目的:

• 开发一种新的深度学习解决方案,UTIRnet,用于DIHM中高效和通用的双图像抑制.
• 为增强DIHM图像质量提供快速,强大和基于物理的深度学习方法.
• 通过尽量减少对实验性培训数据的需求,使先进的DIHM技术得到广泛采用.

主要方法:

• 开发UTIRnet,一个深度学习网络,专门在数值生成的全息数据集上进行训练.
• 实施基于物理的约束,以确保重建图像和输入全息图之间的一致性.
• 开源代码发布以促进整合到各种DIHM系统.

主要成果:

• UTIRnet在DIHM重建中展示了快速和强大的双图像噪声抑制.
• 该网络在不需要大量实验训练数据的情况下实现了高性能.
• 重建结果显示,由于基于物理学的方法,可靠性和一致性得到了改善.

结论:

• UTIRnet在DIHM图像处理方面取得了重大进展,克服了传统降噪技术的局限性.
• 该方法在各种DIHM设置中广泛适用,加速了细胞迁移和神经退行性疾病的研究.
• UTIRnet的开源可用性和基于物理的基础促进了其实际实施和可靠性.