MSSPUNet:使用多个规模,多个阶段的深度神经网络进行相位解封,用于数字全息断层扫描

科学领域:

• 光学和光子学 在光学和光子学.
• 生物医学成像技术 生物医学成像技术
• 计算科学 计算科学

背景情况:

• 数字全息断层扫描 (DHT) 对于3D重建至关重要,但由于相位图像中的噪声和扭曲而面临挑战.
• 阶段解封对于纠正阶段不连续性至关重要,但传统方法对于准确的3D重建缺乏稳定性.
• 目前用于阶段解封的深度学习方法往往无法充分融合多层次特征并强制执行阶段连续性.

研究的目的:

• 开发用于数字全息断层扫描 (DHT) 的先进相解封方法,克服现有技术的局限性.
• 通过改善噪音和扭曲的全息图像的相解封,提高3D重建的准确性和稳定性.
• 引入一个新的深度学习框架,有效地整合多层次信息和阶段连续性约束.

主要方法:

• 拟议的MSSPUNet是一个多个规模,多个阶段的变压器网络,用于高精度的阶段解封.
• 在不同尺度上利用潜伏特征,以增强跨尺度特征融合和协同优化.
• 在广泛的模拟数据集上训练网络,并用生物样本和结构的真实DHT图像进行验证.

主要成果:

• 与现有方法相比,MSSPUNet在噪声抑制,阶段跳跃校正和细节保存方面表现出卓越的表现.
• 拟议的网络实现了更高的准确性和稳定性,用于数字全息断层扫描的阶段解封.
• 在各种数据集上的实验验证证证了MSSPUNet.的强大泛化能力.

结论:

• MSSPUNet在数字全息断层扫描的相解封方面取得了重大进展,解决了当前方法的关键局限性.
• 多个规模,多个阶段的变压器架构有效地增强了特征融合和相连续性,以改善3D重建.
• 这种方法为在各种DHT应用中处理相位图像提供了更可靠,更准确的解决方案,包括生物成像.