基于深度学习的差异干扰对比显微镜的无人工物阶段重建

科学领域:

• 生物光子学 生物光子学
• 显微镜的使用方法
• 图像处理 图像处理

背景情况:

• 不同干扰对比 (DIC) 显微镜是细胞和组织的有价值的无标签成像技术.
• 从DIC图像进行准确的定量阶段重建是具有挑战性的,因为非线性和文物.
• 现有的数值集成方法存在未知的常数和噪声敏感性.

研究的目的:

• 开发一种数据驱动的方法,用于在DIC显微镜中进行无文物,高精度和快速的定量相重建.
• 为了克服DIC成像中传统相位重建方法的局限性.
• 为了使精确的定量相位成像只使用单个差分相位图像.

主要方法:

• 使用数字全息和DIC成像模型构建了"样本相差相"的培训数据库.
• 采用了Pix2Pix生成对抗网络 (GAN) 模型,具有优化的损失函数和梯度反向传播.
• 训练深度神经网络,学习样本阶段和差异阶段之间的映射.

主要成果:

• 从单向DIC图像中实现了样本阶段的高精度,无文物重建.
• 在聚烯球体和HeLa细胞的定量相位成像中表现出有效性.
• 展示了出色的抗噪声性能和快速重建能力.

结论:

• 拟议的数据驱动方法为DIC显微镜中准确的定量相重建提供了一个有希望的解决方案.
• 这项技术有助于高空间灵敏度检测,增强生物样本的分析.
• 该Pix2Pix GAN方法提供了一个强大的和高效的替代传统的阶段重建技术.