[发明专利]一种基于深度学习的相位显微成像方法

说明书

本发明公开了一种基于深度学习的相位显微成像方法，其中，方法包括以下步骤：使用显微成像系统采集训练样本的欠焦图、在焦图和过焦图；使用基于强度传输方程的相位恢复算法得到训练样本的相位图；将训练样本的在焦图和相应的相位图做训练集对神经网络进行训练。训练过程只需进行一次，之后采集未知样本的在焦图，并输入训练好的网络便可恢复出相位图。该方法优势在于，无需参考光，可使用部分相干光源，计算快速快，没有边界条件的限制，只需一幅在焦强度图就可以恢复物体的相位信息，可以直接低成本地与现成的显微成像系统结合，在显微成像的同时实现相位成像。

技术领域

本发明涉及光学领域，特别涉及显微成像领域。

背景技术

显微镜是人类20世纪最伟大的发明物之一。显微镜把一个全新的世界展现在人类的视野里，人们第一次看到了数以百计的“新的”微小动物和植物，以及从人体到植物纤维等各种物体的内部构造。但由于光的频率较高，现有图像采集设备只能记录光场的强度信息而无法直接获得相位信息，因此需要借助强度信息来恢复光场的相位信息。传统的相位恢复方法分为干涉法和非干涉法。使用干涉法从干涉强度图中恢复相位信息，要求光源具有很好地的空间和时间相干性，并且需要参考光的加入才可以产生干涉，因此会有一系列分辨率、敏感性、系统稳定性和激光散斑等问题。非干涉法中，基于强度传输方程的相位恢复方法，需要采集同一样本的欠焦、在焦和过焦三幅强度图，通过解决边值问题来计算求得强度传输方程的解(需要严格的边界条件)，即相位图。对于迭代算法，计算量大，计算速度较慢，无法实现实时成像。

发明内容

本发明提出一种基于深度学习的相位显微成像方法，无需参考光，可使用部分相干光源，计算速度快，没有边界条件的限制，只需一幅在焦强度图就可以恢复物体的相位信息。该方法可以直接低成本地与现成的显微成像系统结合，实现相位成像。

技术方案

本发明的技术特征在于方法包含训练和恢复两个阶段，分为如下步骤：

a.训练阶段的步骤为：

S1.使用显微成像系统采集训练样本的过焦图、在焦图和欠焦图，记作I_n⁺¹、I_n⁰和I^-_n¹，其中n＝1,2,3,4…k；

S2.使用基于强度传输方程的相位恢复算法，从和算得训练样本的相位T_n，其中n＝1,2,3,4…k；

S3.建立神经网络模型，确定网络模型参数。将训练样本的在焦图作为神经网络的输入，相应的相位图T_n作为神经网络的黄金标准，对其进行训练。

b.恢复阶段的步骤为：

S4.采集待测样本的在焦图I⁰；

S5.将待测样本的在焦图I⁰输入训练好的神经网络，即可得到待测样本的相位信息T。

所述步骤S1中的显微成像系统为光学显微镜等。

所述步骤S1中显微成像系统的光源可以使相干光源或部分相干光源，且部分相干光源可以通过在普通光源加入滤色片和光阑的方式得到。

所述步骤S1中的训练样本可以是任何可用于成像的样品，如生物组织，生物细胞等，原则上尽可能增加待测样本的种类和数量。

所述步骤S2中的强度传输方程相位恢复算法，主要是基于如下强度传输方程

式中I为强度分布，φ为相位分布，k为波数，r为样品所在平面横向坐标，I(r)为光强分布，为作用于r平面的哈密顿算符。