Advanced Photonics - 通过物理驱动深度学习实现自适应像差校正的定量相位显微技术
定量相位显微（QPM）通过测量相位延迟，实现了对透明样品的无标记成像与精确表征。然而，光学像差会引入波前畸变，从而降低相位重建的精度、分辨率和对比度。现有策略通常需要多次测量或迭代优化，这在一定程度上限制了其实时应用的灵活性。清华大学曹良才教授、孙洪波教授、许丹琳提出了一种基于物理驱动循环一致网络（physics-informed cycle-consistent neTWork, PICNet）的自适应像差校正QPM系统，无需事先标定。通过在网络中引入可学习的物理前向模型来近似真实的成像过程，并在物体域与测量域之间施加循环一致性约束，PICNet能够在单帧测量的条件下同时完成物体相位的重建以及难以显式刻画的复杂像差的推断。与未经校正的结果相比，该方法在结构相似性指标上提升了60%。实验表明，PICNet能够在多种生物样品上实现快速且高保真度的相位重建，并显著增强了对像差的鲁棒性。该物理可信且具备自校准能力的框架，为解决各类计算成像模式中的反问题提供了一种通用范式。
图 1 所提出 PICNet 框架的示意图。
(a) 显微成像系统物理前向模型的示意图。
(b) 无像差与存在像差的显微成像系统对比。光学像差引入的波前畸变会导致相位重建不准确。
(c) PICNet 的工作原理。PICNet 能够在给定测量数据的情况下，同时推断样品相位与 pupil 像差。通过施加循环一致性约束，实现“测量–物体–测量”和“物体–测量–物体”两个转换闭环，用于训练相位译码器与像差译码器。
(d) 不同算法的运行时间与成像保真度对比评估（在 Intel i7-13700KF CPU 上测试）。标记点表示 100 个测试样本的平均值，误差棒表示标准差。
图 2 PICNet 的训练流程与性能评估。
(a) 从测量域到物体域再返回测量域的翻译循环训练过程。
(b) 从物体域到测量域再返回物体域的翻译循环训练过程。
(c) 在 100 幅测试图像上，重建相位与 Zernike 系数的 RMSE 随训练轮数变化情况。
(d) 在 100 幅测试图像上，重建相位的 PSNR 和 SSIM 随训练轮数变化的优化曲线。
图 3 PICNet 在仿真条件下同时重建相位与瞳面像差的验证结果。
(a) 不同像差条件下的测量强度图、重建相位图、真实相位图以及对应的 PSNR 和 SSIM 指标。
(b) 在 (a) 中放大视图 (i) 与 (ii) 的实线位置上，重建相位与真实相位的剖面曲线对比。
(c) 预测的 Zernike 系数与真实 Zernike 系数的对比。
(d) 重建瞳面像差与真实瞳面像差的对比。其中，A 表示位于训练数据分布范围内的像差，B 表示超出该范围的像差。
图 4 不同方法的重建结果对比。
(a) 正常结肠黏膜组织与 (b) 乳腺癌组织的测量强度图、真实相位图以及由不同方法重建得到的相位图，并给出了放大视图中实线位置的相位剖面曲线对比。图像右下角展示了 PICNet 估计得到的瞳面像差及其对应的真实像差。
(c) 与 (d) 分别为正常结肠黏膜组织与乳腺癌组织在 100 组测试样本上的相位重建 PSNR 与 SSIM 箱线图，对比了 PR-TV、U-Net 和 PICNet 三种方法的性能。箱线图中，中间的横线表示中位数，箱体上下边缘分别表示第 25 与第 75 百分位数，触须延伸到未被视为离群值的最极端数据点，离群点以菱形标记表示，平均值以星号标出并用虚线连接。
图 5 实验装置与定量相位靶标表征。
(a) 自适应像差校正 QPM 系统的光路配置示意图。
(b) 在离焦距离为 −30 μm 和 25 μm 时，不同相位重建方法的实验对比结果，以及 PICNet 重建得到的瞳面像差。
(c) (b) 中标记线位置的相位截面曲线，其中灰色虚线表示理论相位值。
图 6 不同生物样本的自适应像差校正定量相位显微结果。
(a) 小肠、(b) 胃壁以及 (c)、(d) 猪肝细胞样本的测量强度图、由不同方法重建得到的相位分布，以及对应的 H&E 染色组织切片图像。在每个 PICNet 重建相位图的右下角，给出了估计的瞳面像差分布。相位重建区域对应于 H&E 染色图中白色虚线矩形所框定的区域。
图 7 自适应像差校正的实验验证。
(a) 在不同离焦距离下的测量强度图、由不同方法重建的相位图以及恢复出的瞳面像差分布。
(b) (a) 中实线位置对应的瞳面像差归一化截面曲线。
(c) 估计得到的离焦参数与实验实测离焦距离的对比关系（相关系数 R^2 = 0.9896）。其中，d 表示离焦距离。
Danlin Xu, Liangcai Cao, Hongbo Sun, "Adaptive aberration-corrected quantitative phase microscopy via physics-informed deep learning," Adv. Photon. 7, 066013 (2025)
DOI: 10.1117/1.AP.7.6.066013
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间联系我们，我们将协调进行处理，最终解释权归旭为光电所有。
