[发明专利]基于深度学习算法的光场显微三维重建方法及装置

说明书

本发明公开了一种基于深度学习算法的光场显微三维重建方法及装置，其中，方法包括：搭建光场显微成像系统；通过对光场显微成像系统进行仿真得到成像系统的点扩散函数；生成仿真样本体分布数据集；通过点扩散函数与对应的样本数据生成仿真光场数据集，并对可能产生的噪声及背景模型进行校正；搭建深度卷积神经网络，以仿真光场数据作为网络的输入，并以仿真样本体分布数据作为网络的输出，根据显微样本设计损失函数对网络进行训练；在完成模型的训练后，将待重建的光场显微数据输入模型进行测试，获取对应样本体分布数据的预测值。该方法可以在保持光场快速采集三维信息优势的同时，实现快速的、高分辨的、少伪影的光场数据三维重建。

技术领域

本发明涉及计算光学、计算摄像学、计算机视觉和计算机图形学等技术领域，特别涉及一种基于深度学习算法的光场显微三维重建方法及装置。

背景技术

生命科学和医学技术的发展对三维快速体成像技术提出了更高的要求。在这种情况下，光场显微技术以其同时获得样本空间信息和角度信息的特点成为了一种备受关注的方法。由于光场可以快速获取样本的三维信息，其成为了快速成像问题的一种通用解决方法。在被引入到光学显微中之后，光场显微技术在例如钙信号成像等三维成像问题的生物光学成像问题中扮演着越来越重要的角色。

尽管光场显微技术具有快速获取样本三维信息的能力，但是其常用的重建算法——三维解卷积算法存在一些固有的问题，从而严重地限制了光场显微应用范围的扩展。第一，为了达到精确的效果，拟合方法需要对点扩散函数有着较为准确的估计，但是这在实验中是难以测量的。第二，基于极大似然估计的三维解卷积算法往往需要大量的迭代步骤以达到较好的收敛效果，这就对重建的速度造成了限制。第三，由于焦面处的分辨率存在物理限制，而传统方法是无法有效解决这一问题的。此外，由于问题的病态性，三维解卷积算法常常造成无法预计的噪声。综上所述，可以发现，尽管与其他三维成像方法相比，光场显微技术在一些方面有着显著的优势，但是其重建算法仍有待提高。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于深度学习算法的光场显微三维重建方法，该方法可以在保持光场快速采集三维信息优势的同时，实现了快速的、高分辨的、少伪影的光场数据三维重建。

本发明的另一个目的在于提出一种基于深度学习算法的光场显微三维重建装置。

为达到上述目的，本发明一方面实施例提出了一种基于深度学习算法的光场显微三维重建方法，包括以下步骤：搭建光场显微成像系统，以采集空间与角度四维光场数据；根据光场传播原理对所述光场显微成像系统进行仿真，以得到成像系统的点扩散函数；获取三维样本体分布数据集的参数及分布特性，生成仿真样本体分布数据集；通过所述点扩散函数与对应的样本数据生成仿真光场数据集，并对实际成像过程中可能产生的噪声及背景模型进行校正；搭建以生成对抗网络为基础的深度卷积神经网络，以所述仿真光场数据作为网络的输入，并以所述仿真样本体分布数据作为所述网络的输出，根据显微样本设计损失函数对所述网络进行训练；在完成所述模型的训练后，将待重建的光场显微数据输入所述模型进行测试，获取对应样本体分布数据的预测值。

本发明实施例的基于深度学习算法的光场显微三维重建方法，通过单次拍摄实现对样本空间与角度四维信息的采集，并可以通过基于深度学习算法的卷积神经网络学习，实现从单张二维光场图像到对应三维样本体分布数据的重建映射，从而在保持光场快速采集三维信息优势的同时，实现了快速的、高分辨的、少伪影的光场数据三维重建。

另外，根据本发明上述实施例的基于深度学习算法的光场显微三维重建方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述通过所述点扩散函数与对应的样本数据生成仿真光场数据集，包括：利用基本成像原理中对成像过程的卷积近似，并通过将仿真生成的所述点扩散函数与仿真生成的三维样本体分布数据进行卷积加和，生成仿真光场图像。