概括
一种新的基于学习的定量阶段成像 (QPI) 方法使实时内镜成像使用多核纤维 (MCF) 成为可能. 这一突破显著加快了相位重建的速度,允许在具有挑战性的环境中进行视频速率成像.
科学领域:
- 生物医学光学 生物医学光学
- 医疗成像医学成像
- 计算成像技术的成像
背景情况:
- 定量阶段成像 (QPI) 提供无标签的,体内内镜成像.
- 传统的QPI方法面临着实时应用的计算局限性.
- 多核纤维 (MCFs) 呈现出一种极少侵入性的成像途径.
研究的目的:
- 为MCF开发基于学习的QPI方法,以克服计算瓶.
- 为了实现视频速率成像速度,以增强内镜可视化.
- 为培训和验证MCF相位成像算法创建一个开源数据集.
主要方法:
- 实现了深度神经网络 (DNN) 快速阶段重建.
- 开发了一种用于自动生成数据集的光学系统.
- 为了训练,利用了一套50176个配对的斑点和相位图像的数据集.
主要成果:
- 将相位重建时间缩短到5.5毫秒,从而实现181fps的成像.
- 实现了高达99.8%的平均相位重建保真度.
- 在实验环境中成功展示了强大的性能.
结论:
- 基于学习的MCF相位成像方法显著加速QPI.
- 这种方法使难以到达的区域能够实时,无标签的内镜成像.
- 开源数据集促进了基于光纤的QPI的进一步研究和开发.


