学校跑道新闻 RNN 用于生物医学全息成像,速度添快50倍

数字全息成像是生物医学成像中常用的显微镜技术。用于展现样本的雄厚光学新闻。常见的图像传感器只对入射光的强度做出回响反映。所以,重修涉及光学相位检索的传感器以数字手段记录的全息图的完善 3D 新闻,不息是数字全息术中一项耗时且计算量大的挑衅性义务。

近日,添州大学洛杉矶分校的钻研团队开发出一栽新的全息相位检索技术,能够迅速重修样品的微不都雅图像,与现有手段相比,可添速50倍。钻研效果始次表清新行使循环神经网络(RNN)进走全息成像和相位恢复,所挑出的框架将普及适用于各栽关系成像模式。

该钻研于5月26 日以「行使循环神经网络进走相位恢复和自动对焦的全息图像重修」 (Holographic Image Reconstruction with Phase Recovery and Autofocusing Using Recurrent Neural Networks ) 为题发外在《ACS光子学》( ACS Photonics )杂志上。

全息术(holography)又称全息照相术,指在照相胶片或干板上经历记录光波的振幅和位相分布并表现物体三维图像的技术。全息术行为一栽富强的生物样品成像工具,只需最少的样品制备,无需染色、固定或标记。

以前几十年,数字全息术取得了令人瞩现在标挺进,尤其是在图像重修和定量相位成像 (QPI) 手段方面。

比来学校跑道新闻,基于深度学习的相位检索算法被表明能够行使训练有素的神经网络重修全息图。此外,还经历端到端神经网络推理过程直接在原起全息图上实现了基于深度学习的相位检索。与传统的迭代相位恢复手段相比,基于深度学习的算法经历神经网络在单次(即异国迭代)传递中创建无斑点和双图像假影的对象重修。

现在,钻研人员挑出了一栽新的基于深度学习的全息图像重修和相位检索算法,该算法基于循环神经网络 (RNN),行使生成对抗神经网络(GAN)进走训练。

用于RH-M和RH-MD培训的GAN框架

该技术行使深度学习训练的循环神经网络,并结相符了众个全息图的空间特征,以数字手段创建样本的全息显微镜图像,例如人体机关载玻片。挑高了图像质量、添快了重修速度,同时还添强了重修样本的景深。

两栽手段

RH-M:循环全息 (recurrent holographic,RH) 成像框架行使众元 (multiple,M) 输入全息图,这些全息图行使零相位逆向传播到公共轴平面上,在其输出揣度中同时实走自动聚焦和相位检索。

RH-MD:经历行使膨胀 (dilated,D) 卷积核添强 RH-M,相通的自动聚焦和相位检索性能,而无需任何解放空间逆向传播 (FSP) 步骤;也就是说,获取的对象的原起全息图直接用作训练 RNN 输入,用于在其输出处进走对焦图像重修,称为 RH-MD。更适用于相对稀奇的样本,巴氏 (Pap) 涂片样本的全息成像表清新它的成功。

RH-M手段

RH-MD手段

与现有的相位检索和全息图像重修算法相比,RH-M 和 RH-MD 框架的上风表现在:不凡的重修质量和速度,以及经历自动对焦功能扩展景深(DOF)。

钻研外明,对于肺机关切片成像,相比现有的基于深度学习的全息重修手段,RH-M 在幅度均方根偏差(RMSE) 方面质量挑高了 40%。与行使相通输入全息图的迭代相位检索算法相比,RH-M 的推理速度快了 15 倍。

行使 RH-M 的全息成像

为了表明 RH-M 在相位恢复和自动聚焦方面的奏效,钻研人员行使人肺机关切片训练和测试了 RNN,并行使无透镜的在线全息显微镜对其进走成像。采用三张训练载玻片和一张测试载玻片。(一切这些机关样本均取自迥异的患者)在训练阶段,RH-M随机取M=2个输入全息图,随机样本到传感器的距离周围为350-550 μm;然后将这些随机选择的全息图中的每一个传播到 z2 = 450 μm。所得复杂场的实部和虚部用作 RH-M 模型的训练输入。

在盲测阶段,为了表明训练的 RNN 模型的可走性,在 423.7 μm 和 469.7 μm 的样本到传感器距离处捕获了测试载玻片的 M = 2 个全息图(来自迥异的患者,未在训练期间行使)。

肺机关切片的全息成像

为了进一步分析 RH-M 推理性能,钻研人员在训练后的RNN中输入M = 2个迥异散焦距离组相符的全息图(Δz2,1 和 Δz2,2),钻研效果外明,最先,当 Δz2,1 = Δz2,2对答于两个输入全息图相通的情况时,所挑出的框架是成功的。其次,两个输入全息图之间的轴向距离更有利于对RH-M进走更好的揣度。

超参数 M 是影响 RH-M 性能的关键因素之一。清淡,具有较大 M 的网络学习输入全息图的高阶关连性以更好地重修样本的复杂场,但也容易在幼训练数据集上太甚拟相符并拘谨到部门最幼值。总而言之,RH-M 受好于更高众样性和更大 M 的训练集。

行使 RH-MD 的全息成像

RH-MD扩大了神经网络的感受野,RH-MD能够在不增补可训练参数数目的情况下处理更大周围的衍射图案,同时也开辟了直接从原起输入全息图进走相位恢复和自动聚焦的能够性。

为了表明这栽能力,钻研人员在相通的无透镜全息显微镜平台成像的巴氏涂片样本上训练和测试了 RH-MD 框架。效果外明:与 RH-M 迥异的是,RH-MD 行使原起输入全息图,而无需在 上进走任何解放空间逆向传播。

当在相通的高度(Δz2,1 = Δz2,2)获得输入全息图时,RH-MD比RH-M更具鲁棒性。

RH-M和RH-MD的巴氏涂片全息成像(M = 2)

值得仔细的是,RH-MD 的这些益处是相对于较稀奇的样本(例这样处报道的巴氏涂片载玻片);然而,对于连接的机关切片,RH-MD 推理性能与 RH-M 相比隐微降矮。所以,与 RH-M 迥异,样本稀奇性是行使 RH-MD 进走盲相位检索、全息图像重修和自动对焦的请求。

普及适用性

论文一作 Luzhe Huang外示:「吾们的效果在图像质量、解放度和推理速度方面优于现有的相位检索和全息图像重修手段。这栽基于 RNN 的图像重修手段为各栽关系显微镜模式和关连行使开辟了新的机会。」

添州大学洛杉矶分校电子和计算机工程的校长教授、添州纳米体系钻研所的副主任、该钻研的高级通讯作者 Aydogan Ozcan说:「该框架可普及适用于各栽生物医学成像模式,例如荧光显微镜,以有效行使一系列获得的图像来迅速实在地创建样本体积的 3D 重修。」

论文链接:https://pubs.acs.org/doi/10.1021/acsphotonics.1c00337

参考内容:https://techxplore.com/news/2021-06-faster-holographic-imaging-recurrent-neural.html

【编辑选举】学校跑道新闻

RocketMQ 千锤百炼 - 哈啰在分布式新闻治理和微服务治理中的实践 如何构建企业出海的“免疫力”?深入解读阿里云CDN坦然能力 阿里云李飞飞:什么是云原生数据库 行使人造智能技术管理数据中央即将成为标准选项 IDC:2020年中国AI公有云服务集体市场周围达24.1亿元

 


posted @ 21-07-08 06:55  作者:admin  阅读量: