一种基于深度学习的微分干涉相衬成像方法

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

普通明场显微镜作为一种最常用的显微仪器，帮助人们有效的观察微观世界，在实际对生物组织细胞的观察与成像中，往往面临着如下的问题，大部分细胞都是微小透明的，由于细胞质和大部分细胞器的光学吸收系数很小，导致透过细胞之后光波振幅不会发生明显的改变，但相位部分变化很大，经过探测器之后，能直接观察记录的仅仅是光束的强度信息(振幅的平方)，其相位信息被遗失，导致明场显微镜难以直接观察细胞。传统的做法是通过将相位变化转化为强度变化，以此来恢复透明细胞的可视化。相衬显微术是基于空间滤波的原理通过在显微镜上安装镀膜的玻璃基片，大大提高了透明细胞在明场显微镜下的分辨程度。但是同时也引入了‘光晕’效应，妨碍了对透明细胞的观察。微分干涉相衬显微术则是利用了沃拉斯顿棱镜形成两束光并产生了合适的横向剪切分量和纵向分离量，实现了透明细胞的伪三维立体浮雕效果，增强了细胞的显示，但是这种方法需要特定功能的显微镜来实现，且仪器价格普遍高于普通明场显微镜。

发明内容

本发明提出一种基于深度学习的伪三维立体效果成像方法，计算速度快，只需一幅在焦的强度图就可以实现物体的伪三维立体效果，该方法可以与传统普通明场显微镜结合，来提高对透明组织细胞的观察能力。

技术方案

本发明的技术特征在于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微分干涉相衬图像,记作I

S2.使用显微成像系统采集训练样本的普通明场在焦像,记作Π

S3.建立神经网络模型，确定网络模型参数，将训练样本的普通明场在焦图作为神经网络的输入，相应的微分干涉相衬图像作为神经网络模型的输出，对其进行训练；

b.恢复阶段的步骤为：

S4.使用普通明场显微镜采集待测样本的普通明场在焦像；

S5.将待测样本的明场在焦像输入训练好的神经网络，即可得到待测样本的微分干涉相衬图像；

所述步骤S1的显微成像系统为具有微分干涉功能的光学显微镜等，其光源可为相干光源或部分相干光源。

所述步骤S1的训练样本可以是任何可用于成像的相位型物体，包括生物组织，生物细胞，工业原件等。

所述步骤S1的采集训练样本的微分干涉相衬图像为三维立体浮雕像。

所述步骤S2的显微成像系统为普通光学显微镜。

所述步骤S3中的神经网络模型可以是任何用于图像转换的端到端的神经网络模型，如基于卷积神经网络的Unet模型等，搭建神经网络的框架可以是pytorch，tensorflow等，网络只需要训练一次，之后就可以无限次为待测样本实现类似的微分干涉相衬图像。

有益效果

本发明在完成整体神经网络的搭建和训练之后，只需要普通的明场显微镜拍摄一幅在焦图，输入已经训练好的神经网络中即可以恢复出该样本的微分干涉相衬图像，实现三维立体浮雕效果，增强对透明细胞的观察。该方法可以低成本与普通明场显微镜结合，实现微分干涉相衬功能，拓展以往明场显微镜的功能，另外恢复过程迅速，恢复准确度高，能够实现实时同步成像。

附图说明：

图1为基于深度学习的微分干涉相衬像的成像方法流程图；

图2为实施例中使用的U型神经网络U-net的结构图；

图3为事先实现微分干涉相衬功能的显微镜采集微分干涉相衬图像的光路图。

图1中：实线部分为训练阶段，虚线部分为恢复阶段。

图2中：网络结构中，下采样过程使用带有残差网络的卷积网络，上采样过程使用带有残差网格的转置卷积网络，所有卷积核大小为3x3。

图3中：1-卤素灯光源，2-起偏器，3-沃拉斯顿棱镜，4-会聚透镜，5-样本，6-物镜，7-沃拉斯顿棱镜，8-检偏器，9-CCD相机。

具体实施方式

现结合实例、附图对本发明进一步描述：

实施例1：一种实现本方法的微分干涉相衬光路如图3所示，包括：卤素灯光源1，起偏器2，沃拉斯顿棱镜3，会聚透镜4，样本5，物镜6，沃拉斯顿棱镜7，检偏器8，CCD相机9。其中，所述的卤素灯经过所述的起偏器后，经过所述的沃拉斯顿棱镜将光分为两束正交的偏振光，经过所述的透镜镜将光线进行准直，经过样本之后携带样本的相位梯度信息，之后经过所述的物镜和所述的沃拉斯顿棱镜完成光线的合束，并经过所述的检偏器完成干涉过程，最后利用所述CCD相机记录微分干涉相衬图像。其中卤素灯可以换成LED光源,显微镜物镜的放大倍数由实际情况决定，沃拉斯顿棱镜的横向位置用于调整微分干涉图的衬度。

所述的深度学习微分干涉相衬成像方法的工作流程如下：

执行训练阶段：利用显微镜拍摄样本的普通明场图Π

执行恢复阶段：训练阶段执行一次之后，就可以使用训练好的网络对普通明场图进行恢复处理，输入一张明场图，就可以得到与之对应的微分干涉相衬图像。恢复一张128x128个像素的普通明场图只需要0.005秒。

通过神经网络恢复结果与实际接近。