物理学指导的监督学习框架可以使计算成像更快

计算成像技术越来越流行，但它们所需的大量测量往往会导致速度缓慢或对生物样本造成损坏。新开发的物理信息变分自动编码器(P-VAE)框架可以通过使用监督学习联合重建许多光源(每个光源都具有稀疏测量)来帮助加速计算成像。

斯沃斯莫尔学院工程学助理教授 Vidya Ganapati 将在光学成像大会上展示这项研究。混合会议将于 2023 年 8 月 14 日至 17 日在马萨诸塞州波士顿举行。

Vidhya Ganapati 补充道：“这项研究在科学发现的应用中可能非常强大，它采用计算方法来推动成像设备更快地看到更多细节。”

尽管数据驱动的方法可以减少计算成像所需的测量数量，但它们通常需要某种类型的参考数据或信息，而这些参考数据或信息并不总是能够获取。Ganapati 及其同事开发的新的基于物理的深度学习技术不需要任何真实数据或参考源。

P-VAE 依赖于稀疏测量，这种测量在计算上更容易处理，因为它们包含大多数值为零的数据。对于 P-VAE，为每个源获取稀疏测量结果，然后联合使用来重建所有源。通过汇集来自整个数据集的测量信息并结合有关成像的正向物理的已知信息，可以推断出先验分布和后验分布。

研究人员将 P-VAE 应用于发光二极管(LED) 阵列显微镜，用可编程二维 LED 阵列取代了标准宽视场显微镜的照明源。对于成像的每个物体或视野，LED 照明图案用于创建图像堆栈。每个照明模式通常对应于堆栈中的一个图像，但研究人员表明，应用 P-VAE 减少了每个对象所需的图像数量，从而减少了总体采集时间。

他们还将该技术应用于计算机断层扫描，通过测量相对于光束不同旋转的物体的 X 射线的衰减，对样品或物体的内部结构进行成像。虽然成像更多的旋转角度会改善重建，但它也会增加 X 射线剂量并可能造成损伤。通过应用 P-VAE，研究人员仅使用稀疏测量值联合重建了对象。