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。
沪公安网备 31011402003710号