数字全息成像是生物医学成像中常用的显微技术。用于揭示有关样品的丰富光学信息。普通图像传感器仅响应入射光的强度。因此，重建由涉及光学相位检索的传感器数字记录的全息图的完整3D信息一直是数字全息术中一项耗时且计算量大的挑战性任务。近日，加州大学洛杉矶分校的一个研究团队开发了一种新的全息相位检索技术，可以快速重建样品的显微图像，与现有方法相比可以加速50倍。研究结果首次证明了循环神经网络(RNN)在全息成像和相位恢复中的应用，所提出的框架将广泛适用于各种相干成像模式。该研究于5月26日发表在《ACS光子学》（ACSPhotonics）上，标题为“HolographicImageReconstructionwithPhaseRecoveryandAutofocusingUsingRecurrentNeuralNetworks”。全息术，又称全息术，是指通过在感光胶片或干版上记录光波的振幅和相位分布，再现物体三维影像的技术。全息照相术是一种强大的成像工具，适用于需要最少样品制备且无需染色、固定或标记的生物样品。数字全息术在过去几十年取得了令人瞩目的进步，尤其是在图像重建和定量相位成像(QPI)方法方面。最近，基于深度学习的相位检索算法已被证明可以使用训练有素的神经网络重建全息图。此外，基于深度学习的相位检索也可以通过端到端的神经网络推理过程直接在原始全息图上实现。与传统的迭代相位恢复方法相比，基于深度学习的算法通过神经网络在单次（即无迭代）传递中创建无散斑和无双图像伪影的对象重建。现在，研究人员提出了一种新的基于深度学习的全息图像重建和相位检索算法，该算法基于使用生成对抗神经网络(GAN)训练的递归神经网络(RNN)。用于RH-M和RH-MD训练的GAN框架该技术利用深度学习训练的递归神经网络，并结合多个全息图的空间特征，以数字方式创建样本的全息显微镜图像，例如人体组织切片。改进的图像质量、更快的重建和重建样本的增强景深。两种方法RH-M：循环全息(RH)成像框架使用多个(M)输入全息图，这些全息图在其输出推理中同时执行，使用零相位反向传播到公共轴平面自动聚焦和相位检索。RH-MD：通过使用扩张（dilated，D）卷积核增强RH-M，具有相同的自动对焦和相位检索性能，无需任何自由空间反向传播（FSP）步骤；即，获取的物体原始全息图直接用作训练RNN的输入，在其输出端进行对焦图像重建，称为RH-MD。更适用于相对稀疏的样本，巴氏涂片样本的全息成像已证明其成功。RH-M方法RH-MD方法与现有的相位检索和全息图像重建算法相比，RH-M和RH-MD框架的优势体现在：出色的重建质量和速度，以及通过自动对焦功能扩展景深（DOF）).对于肺组织切片成像，与现有的基于深度学习的全息重建方法相比，RH-M的均方根误差(RMSE)幅度提高了40%。与使用相同输入全息图的迭代相位检索算法相比，RH-M的推理速度提高了15倍。使用RH-M的全息成像为了证明RH-M在相位恢复和自动对焦方面的功效，研究人员使用人体肺组织切片训练和测试了RNN，这些切片使用无透镜在线全息显微镜成像。使用了三张训练幻灯片和一张测试幻灯片。（所有这些组织样本均取自不同的患者）在训练阶段，RH-M从随机样本到传感器随机取M=2个输入全息图，距离范围为350–550μm；然后将这些随机选择的全息图传播到z2=450μm。生成的复数场的实部和虚部用作RH-M模型的训练输入。在盲测阶段，为了证明经过训练的RNN模型的可行性，在423.7μm和469.7μm使用的样本到传感器距离处捕获了M=2个测试载玻片全息图（来自不同患者，而不是在训练期间）。肺组织切片的全息成像为了进一步分析RH-M的推理性能，研究人员将M=2个具有不同散焦距离组合的全息图（Δz2,1和Δz2,2）输入到训练好的RNN中，结果表明，首先，当Δz2,1=Δz2,2对应于两个输入全息图相同的情况时，所提出的框架是成功的。其次，两个输入全息图之间的轴向距离更有利于更好地推断RH-M。超参数M是影响RH-M性能的关键因素之一。一般来说，具有较大M的网络学习输入全息图的高阶相关性以更好地重建复杂的样本场，但也容易过度拟合并在小型训练数据集上收敛到局部最小值。总而言之，RH-M受益于更高的多样性和更大的M训练集。HolographicImagingUsingRH-MDRH-MD扩展了神经网络的感受野，RH-MD能够在不增加可训练参数数量的情况下处理更大范围的衍射图案，同时也开辟了直接从原始输入全息图。可以执行相位恢复和自动对焦。为了证明这种能力，研究人员在相同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。结果表明，与RH-M不同，RH-MD使用原始输入全息图，在上没有任何自由空间反向传播。当在相同高度(Δz2,1=Δz2,2)获取输入全息图时，RH-MD比RH-M更稳健。RH-M和RH-MD的巴氏全息成像(M=2)然而，对于连接的组织切片，RH-MD的推理性能明显低于RH-M。因此，与RH-M不同，样本稀疏性是盲相位检索、全息图像重建和使用RH-MD的自动对焦的要求。“我们的结果在图像质量、自由度和推理速度方面优于现有的相位检索和全息图像重建方法，”广泛适用性论文的第一作者LuzheHuang说。及相关应用，”加州大学洛杉矶分校电气与计算机工程校长教授、加州纳米系统研究所副主任、该研究的高级通讯作者AydoganOzcan说。生物医学成像模式，例如荧光显微镜，可以有效地利用一系列获取的图像来快速准确地创建样本体积的3D重建。”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
