高分辨率无透镜全息显微镜,使用物理意识深度网络

科学领域:

• 定量的相位成像成像技术
• 计算显微镜的计算显微镜
• 深度学习用于成像.

背景情况:

• 无镜头数字直线全息显微镜 (LDIHM) 是一种用于定量相位成像的新兴技术.
• 现有的LDIHM深度学习方法需要大量的训练数据或缺乏复杂的生物样本的稳定性.
• 具有物理意识的深度网络可以在没有事先培训的情况下改进重建,但在数据保真方面存在困难.

研究的目的:

• 开发混合深度学习框架,将训练有素和未训练有素的模型结合起来,用于LDIHM的高分辨率阶段恢复.
• 克服单独训练有素和物理意识的未训练有素深度网络的局限性.
• 为了从单个低分辨率全息图中实现高准确度的相位重建.

主要方法:

• 提出了一个混合深度框架 (HDPhysNet),集成预训练的高清生成对抗网络 (HDGAN) 和物理意识的未经训练的深度网络.
• 采用了plug-and-play方法,其中HDGAN生成高分辨率阶段,然后调整物理意识网络的重建.
• 在损失函数中整合全息物理,以实现强大的相位恢复.

主要成果:

• 与纯训练或未训练的深度网络相比,HDPhysNet表现更好,具有更高的结构相似度指数 (SSIM) 和相位信号噪声比 (SNR).
• 在实验生物细胞 (子宫和红细胞) 上取得了相位SNR (8.2-9.8dB) 的显著改善.
• 显示了对成像参数 (如传播距离和波长) 的干扰的增强强度.

结论:

• HDPhysNet有效地结合了训练有素和未训练有素的深度学习模型的优势,以在LDIHM中进行高级阶段恢复.
• 拟议的方法提供了更好的准确性和稳定性,特别是在复杂的生物成像中.
• 与HDPhysNet集成的LDIHM提供了一个有前途的,便携式显微镜解决方案,用于照顾点细胞学.