复杂域神经网络推进大规模相干成像

计算成像有可能通过提供宽视场和高分辨率功能来彻底改变光学成像。幅度和相位的联合重建(称为“相干成像或全息成像”)将光学系统的吞吐量扩展到数十亿个光学可分辨点。这一突破使研究人员能够获得对生物医学研究的细胞和分子结构的重要见解。

尽管具有潜力，现有的大规模相干成像技术在广泛的临床应用方面仍面临挑战。其中许多技术需要多次扫描或调制过程，导致数据收集时间较长才能实现高分辨率和信噪比。由于速度、分辨率和质量之间的权衡，这会减慢成像速度并限制其在临床环境中的可行性。

最近的图像去噪方法提供了一种潜在的解决方案，通过在迭代重建过程中使用去噪算法来提高稀疏数据的成像质量。然而，传统方法计算复杂，而基于深度学习的技术泛化性差并且会牺牲图像细节。

在Advanced Photonics Nexus发表的 一项研究中 ，来自北京理工大学、加州理工学院和康涅狄格大学的研究人员团队展示了一种复杂域神经网络，可以显着增强大规模相干成像。这为各种模式的低采样和高质量相干成像开辟了新的可能性。该技术利用幅度和相位分量之间的潜在耦合信息，从而产生复杂波前的多维表示。该框架在各种相干成像模式中表现出很强的通用性和鲁棒性。

研究人员使用二维复杂卷积单元和复杂激活函数构建了一个网络。他们还开发了用于相干成像的综合多源噪声模型，包括散斑噪声、泊松噪声、高斯噪声和超分辨率重建噪声。多源噪声模型有利于从合成数据到真实数据的域适应能力。

所报道的技术适用于几种相干成像模式，包括克莱默斯-克罗尼格关系全息术、傅里叶叠层显微术和无透镜编码叠层照相术。广泛的模拟和实验表明，该技术保持了高质量的重建和效率，同时显着减少了曝光时间和数据量——减少了一个数量级。高质量的重建对后续的高级语义分析(例如高精度细胞分割和虚拟染色)具有重要意义，有可能促进智能医疗的发展。

快速、高分辨率成像以及减少曝光时间和数据量的潜力为实时细胞观察带来了希望。此外，通过结合人工智能诊断，该技术可能会解开复杂生物系统的秘密，并突破医疗诊断的界限。