LAM | 衍射神经网络实现透过散射介质定量相位成像

使用衍射神经网络透过散射介质实现全光相位恢复和定量相位成像。无需数字图像重建算法，衍射神经网络将隐藏在随机散射介质后的相位物体进行重建。
图源: Ozcan Lab @ UCLA

▍定量相位成像

长久以来，对细胞等弱散射（透明）相位物体成像一直是包括生物医学在内的诸多领域的热门研究方向。化学染色剂或荧光标签等外源性方法常被使用来提升弱散射样品的图像对比度。然而，这类方法通常需要相对复杂的样品制备步骤，并且染色过程可能对样品具有毒性并造成破坏性影响。相比之下，定量相位成像（Quantitative phase imaging, QPI）作为一种无标记方法，无需使用任何外部试剂即可对透明样本进行非侵入性、高分辨成像，并且能够定量反映待测样品的相位信息，从而有效克服了化学染色方法的不足。然而由于需要使用数字图像重建和相位恢复算法，传统的定量相位成像系统需要大量的计算资源且速度较慢。此外，在对生物组织进行成像过程中，常常会受到随机散射介质的干扰，而绝大多数定量相位成像方法并未考虑其影响。 

为了解决这些问题，近日，来自加州大学洛杉矶分校（UCLA）的Ozcan教授研究团队提出了一种利用衍射神经网络透过随机未知散射介质实现定量相位成像的新方法。

其相关成果以“Quantitative phase imaging (QPI) through random diffusers using a diffractive optical network”为题发表在Light: Advanced Manufacturing。

衍射神经网络是一种基于自由空间的光学计算架构，近年来吸引了越来越多的研究关注。在这项工作中，研究人员通过数据驱动（Data driven）的方式精心设计了一组由透射式空间结构表面组成的衍射神经网络。该网络尺寸紧凑，轴向长度仅为70个照明波长。研究人员通过随机生成的散射介质来训练衍射光学网络，以提高网络对由随机未知散射介质带来的相位扰动的鲁棒性。并且这种基于深度学习的网络训练只需要一次，得到的衍射神经网络即可对隐藏在随机散射介质后的未知物体进行全光相位恢复和定量相位成像。

仿真研究表明，该衍射神经网络具备透过散射介质重建物体相位信息并进行定量相位成像的能力。此外，研究人员还针对衍射表面层数，图像重建质量和能量效率之间的制约关系等诸多因素进行了研究。他们发现，相对于较浅的网络，更深的衍射神经网络（即拥有更多的衍射表面）通常性能更优。值得一提的是所提出的光学计算框架可以根据照明光波长进行等比例缩放，从而适用于不同的电磁波波段，而无需重新设计或重新训练衍射表面。

这种全光计算架构具有功耗低，处理速度快，体积小等优点。UCLA研究团队期望该方法能与现有的图像传感（CMOS/CCD）集成，有效地将标准显微镜转化为衍射定量相位成像显微镜，从而具有利用光学衍射，通过被动式结构表面实现片上物体相位恢复和图像重建的能力。

| 论文信息 |

Yuhang Li, Yi Luo, Deniz Mengu, Bijie Bai, Aydogan Ozcan. Quantitative phase imaging (QPI) through random diffusers using a diffractive optical network[J]. Light: Advanced Manufacturing 4, 17(2023). 

https://doi.org/10.37188/lam.2023.017

阅读原文