神经网络模型结合瞳孔恢复应用于傅里叶叠层显微术
2019-08-18
浏览量(171)
傅里叶叠层显微术(FPM)是最近开发的成像方法,旨在规避空间带宽积(SBP)的限制并获得具有宽场和高分辨率的复杂图像。到目前为止,在已经提出用于解决FPM重建问题的许多算法中,瞳孔函数被设置为固定值,例如系统的相干传递函数(CTF)。然而,FPM成像系统中光学组件的瞳孔像差会显著降低重建结果的质量。在本文中,研究人员构建了一个可训练网络(FINN-P),它将瞳孔恢复与基于TensorFlow的FPM前向成像过程相结合。样本和瞳孔函数的光谱都被视为二维(2D)可学习的图层权重。因此,通过最小化训练过程中的损失函数,可以同时获得复杂对象信息和瞳孔函数。模拟数据集用于验证瞳孔恢复的有效性,并且对开源测量数据集的实验表明,即使存在大的像差,该方法也可以实现更好的重建结果。另外,在进一步分析系统光传输能力之前,恢复的瞳孔功能可以用作良好的估计。
图1.典型的傅立叶叠层显微术的示意图。
微信分享
x
用微信扫描二维码
分享至好友和朋友圈
分享至好友和朋友圈
免责声明:
网站内容来源于互联网、原创,由网络编辑负责审查,目的在于传递信息,提供专业服务,不代表本网站及新媒体平台赞同其观点和对其真实性负责。如因内容、版权问题存在异议的,请在 20个工作日内与我们取得联系,联系方式:021-80198330。网站及新媒体平台将加强监控与审核,一旦发现违反规定的内容,按国家法规处理,处理时间不超过24小时。