Menu 

Menu
  1. 首页
  2. 行业新闻
  3. [文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术

[文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术

[文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术
撰稿人—谢航

 

TITLE–# 基于物理信息的深度学习自适应像差校正定量相位显微镜技术 #

01

 

论文导读

 

定量相位显微成像（QPM）能做无标记成像，但一遇到系统像差，重建质量就会明显下降。

 

论文中提出了PICNet，把物理前向模型和深度学习结合起来，在单次强度测量、无需预标定的条件下，同时恢复样品相位和瞳面像差。

结果显示，相比未做像差校正的传统方法，PICNet在结构相似性上提升约60%，同时在速度上接近三个数量级的加速，而且面对不同样本和离焦扰动时更稳。

02

 

研究背景

 

定量相位显微成像的优势是能看透明样品，不需要染色，适合活细胞和组织成像。但真实显微系统里，物镜缺陷、离焦、样品折射率不均都会引入像差，导致相位重建失真。

 

传统办法要么依赖预先标定，要么需要多帧测量和反复迭代，速度慢、操作重，不适合动态成像。纯数据驱动网络虽然快，但对训练数据依赖大，对不同样本的效果泛化能力差。

PICNet的目标是，在无需先验标定、无需成对标签、无需多次测量的条件下，实现高保真、快速且鲁棒的像差校正定量相位成像。

03

 

方法原理

 

PICNet的核心是两个网络与一个物理前向模型的协同求解。其一是相位生成器，用于从测量强度中恢复样品相位；其二是像差生成器，用于预测对应的Zernike像差系数；两者的输出再送入可微分的物理前向模型，重新合成测量强度。网络输出在物理上能够重新生成与原测量一致的图像。

 

如图1所示：PICNet在“测量域—物体域—测量域”和“物体域—测量域—物体域”之间构建双向循环，通过循环一致性约束保证相位与像差的联合估计具有物理一致性。

[文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术
图1. PICNet整体架构。(a)微观成像系统的物理前向模型示意图;(b)无像差与存在像差的显微镜系统性能对比;(c)PICNet的核心工作机制;(d)计算效率与重建质量的定量评估结果。

 

与传统监督学习不同，PICNet采用非配对训练，训练时不需要严格一一对应的“输入强度—真实相位”标签对，而是借助双循环结构、物理前向约束和对抗判别器共同收缩解空间。

 

论文中，相位生成器采用编码器—解码器式残差网络，像差生成器则基于ResNet-34回归Zernike系数。整个训练目标由对抗损失、测量域循环损失、物体域循环损失以及像差约束损失共同组成，使网络在无显式配对监督条件下，仍能逐步学到从强度到相位、从强度到像差的稳定映射。

[文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术
图2. PICNet 的训练过程及性能评估。(a)从测量域到对象域再返回测量域的翻译循环训练过程;(b)从对象域到测量域再返回对象域的翻译循环训练过程;(c)100 幅测试图像中恢复相位和泽尼克系数的均方根误差（RMSE）值随训练轮次的变化;(d)100 幅测试图像中恢复相位的峰值信噪比（PSNR）和结构相似性指数（SSIM）随训练轮次的优化曲线.。

 

04

 

图文结果

 

[文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术
图3. PICNet同时重建相位像差和光瞳像差的仿真验证。 (a) 各种像差的测量、检索的相位图、地面实况相位图以及相应的 PSNR 和 SSIM 指标; (b) 沿面板 (a) 中 (i) 和 (ii) 放大视图中的实线重建和地面实况相位分布;  (c) 预测和真实泽尼克系数; (d) 重建的和真实的瞳孔像差。

 

图3所示，验证了模型在仿真条件下的相位恢复与像差预测能力。作者分别测试了“训练分布内像差”和“训练分布外像差”两种情况。

 

对于分布内样本，PICNet恢复结果达到PSNR 25.96 dB、SSIM 0.91；对于分布外样本，仍可保持24.41 dB和0.85的较高指标。

图中剖面线、Zernike系数柱状图以及重建瞳面分布都表明，PICNet恢复出的相位与像差均与真值高度接近。

[文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术
图4.  不同重建方法结果对比。(a)(b)分别为正常结肠黏膜组织与乳腺癌组织的重建结果; (c)(d)为在100个独立测试样本上对两类组织分别进行评估所获得的PSNR与SSIM指标箱线图。

 

图4进一步比较了PICNet在不同组织样本上的泛化性。对于正常结肠黏膜数据，PICNet的平均PSNR比U-Net高1.68 dB，SSIM高0.015，两者在熟悉分布中都能工作，但PICNet更稳健。

 

对于乳腺癌组织这一分布外数据：PICNet相较U-Net平均PSNR提升9.4 dB，SSIM提升0.395；同时，U-Net的SSIM四分位间距达到0.27，而PICNet仅为0.04，结果表明PICNet结果波动更小、跨样本稳定性更好。

[文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术
图5. 定量相位目标的实验装置及表征。 (a)自适应像差校正 QPM 系统的光学配置; (b) 在 -30 和 25 微米的离焦距离下不同相位恢复方法的实验对比，以及由 PICNet 恢复的孔径像差;  (c) (d)图中标记线上的横截面相位分布，其中灰色虚线表示理论相位值。

 

图5展示了实验系统与定量相位靶标验证。作者搭建了LED照明的QPM系统，使用625 nm光源、10×/0.28 NA物镜和CMOS相机，实现约1.36 μm空间分辨率和约1.25 mm × 0.78 mm视场。对标准相位靶标测试时，PICNet相较PR-TV、U-Net以及依赖6帧已知离焦信息的PR-AWF，都表现出更平滑、更锐利的阶梯相位轮廓，实测分辨率达到1.38 μm，接近理论值。

 

更关键的是，根据恢复出的瞳面分布，系统主导像差被识别为二次离焦项，表明PICNet不仅给出“好图”，还能反推出系统究竟“哪里出了问题”。在相位剖面定量比较中，PICNet恢复结果最接近理论相位延迟1.76 rad，对应已知结构高度0.336 μm和材料折射率1.52。

[文献速递Vol.351]-基于物理信息的深度学习自适应像差校正定量相位显微镜技术
图6. 自适应像差校正的实验验证。 (a) 不同方法的测量值、恢复的相位图像以及在不同离焦距离下的恢复光瞳像差; (b) 沿实线提取的光瞳像差的归一化横截面;  (c) 估计的离焦参数与实验测量的距离值的对比（R² = 0.9896）。

 

图6验证了PICNet对不同离焦水平下像差的自校准能力。

 

作者将样品沿光轴以5 μm步进扫描，在15–30 μm不同离焦距离下采集图像。结果显示，随着离焦增强，PR-TV快速退化，U-Net则持续出现伪影和模糊；PICNet则始终保持较高对比度和较清晰的结构恢复，甚至在相位偏差接近2.7π、对应30 μm离焦的条件下仍能稳定工作。

PICNet估计的离焦Zernike系数与实验实测离焦距离呈线性关系，拟合优度达到R²=0.9896。这说明其“像差估计”具有明确物理可解释性和定量可靠性。

05

 

总结

 

本文不是再做一个更快的相位恢复网络，而是把未知像差也纳入了同一个求解框架里。PICNet做到了单帧测量、免预标定、同时恢复相位和像差。

 

从结果而言，它在速度、精度和泛化性上都比对照方法更均衡，尤其适合动态样品和复杂成像条件下的QPM。对做计算显微、相位恢复和物理先验深度学习的研究者，这篇文章值得阅读。

文章链接

 

https://doi.org/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。

中国光学十大进展：可调谐微透镜阵列的研究进展中国光学十大进展：可调谐微透镜阵列的研究进展 Sirah低重频纳秒脉冲染料激光器Sirah低重频纳秒脉冲染料激光器 旭为光电网站首页 付时尧、高春清等Light | 智能混合策略：高维多自由度光场调控新范式 商务部拟将激光雷达等技术列入禁止限制出口目录商务部拟将激光雷达等技术列入禁止限制出口目录 CO2激光器发明者：库马尔·帕特尔的“破壁”人生CO2激光器发明者：库马尔·帕特尔的“破壁”人生 上海市空间信息产业协会卫星互联网专委会专项会议召开上海市空间信息产业协会卫星互联网专委会专项会议召开