(相关资料图)

复杂域神经网络实现了最先进的相干成像精度，将曝光时间和数据量减少了一个数量级以上。计算成像具有宽视场和高分辨率的能力，有望彻底改变光学成像。通过联合重建振幅和相位--一种被称为"相干成像或全息成像"的技术--光学系统的吞吐量可以扩大到数十亿个可光学分辨的光点。这一突破使研究人员能够深入了解细胞和分子结构，对生物医学研究产生重大影响。

复杂域神经网络支持大规模相干成像

尽管潜力巨大，但现有的大规模相干成像技术面临着阻碍其广泛临床应用的挑战。其中许多技术需要多个扫描或调制过程，导致数据采集时间过长，难以实现高分辨率和高信噪比。由于需要在速度、分辨率和质量之间进行权衡，这就减慢了成像速度，限制了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。这些方法在迭代重建过程中采用去噪算法，目的是在数据稀疏的情况下也能提高成像质量。然而，传统方法计算复杂，而基于深度学习的技术往往通用性差，可能会牺牲图像细节。

在发表于《先进光子学》（Advanced Photonics Nexus）杂志上的一项研究中，一个研究小组展示了一种复杂域神经网络，它能显著增强大规模相干成像。这为各种模式下的低采样和高质量相干成像提供了新的可能性。该技术利用了振幅和相位分量之间的潜在耦合信息，从而实现了复杂波面的多维表示。该框架在各种相干成像模式中显示出很强的通用性和鲁棒性。

来自北京理工大学、加州理工学院和康涅狄格大学的研究团队利用二维复合卷积单元和复合激活函数构建了一个网络。他们还为相干成像开发了一个全面的多源噪声模型，包括斑点噪声、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。

所报告的技术被应用于多种相干成像模式，包括克拉默-克罗尼格关系全息成像、傅立叶平片显微成像和无镜头编码平片成像。大量的模拟和实验表明，该技术在保持高质量重建和效率的同时，还大大减少了曝光时间和数据量--减少了一个数量级。高质量的重建为后续的高级语义分析（如高精度细胞分割和虚拟染色）提供了重要的意义，有可能促进智能医疗的发展。

快速、高分辨率成像的能力缩短了曝光时间，减少了数据量，为实时细胞观察提供了巨大的潜力。此外，将这项技术与人工智能诊断相结合，可以揭开复杂生物系统的秘密，推动医疗诊断的发展。