详情

原文传递基于机器学习的快速自适应光学扫描显微成像系统与方法

专利名称：	基于机器学习的快速自适应光学扫描显微成像系统与方法
摘要：	本发明公开了一种基于机器学习的快速自适应光学扫描显微成像系统与方法。利用马赫—曾德干涉仪通过移相干涉法测量实验样品的畸变相位分布，处理得到像差先验信息，利用像差先验信息生成相位分布集合；将相位分布集合依次加载到空间光调制器后扫描无畸变的荧光样品，得到畸变光强分布图样，建立光强分布集合；将光强分布集合与相位分布集合输入机器学习模型中训练；扫描待测实验样品，获得新光强分布图样，输入训练后的机器学习模型获得预测像差信息，得到校正相位；将校正相位加载到空间光调制器上成像。本发明提升了光学像差测量的速度，提高了探测能力，实现了自适应光学扫描显微成像过程中的快速像差测量与校正，应用前景好。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	浙江大学
发明人：	龚薇;斯科;胡乐佳;胡淑文
专利状态：	有效
申请日期：	2019-07-19T00:00:00+0800
发布日期：	2019-10-29T00:00:00+0800
申请号：	CN201910653573.7
公开号：	CN110389119A
代理机构：	杭州求是专利事务所有限公司
代理人：	林超
分类号：	G01N21/64(2006.01);G;G01;G01N;G01N21
申请人地址：	310058 浙江省杭州市西湖区余杭塘路866号
主权项：	1.一种基于机器学习的快速自适应光学扫描显微成像系统，其特征在于：包括激光器(1)、滤波模块(2)、二向色镜(3)、反射镜(4)、空间光调制器(5)、扫描模块(6)、扫描透镜(7)、套筒透镜(8)、显微物镜(9)、滤光片(11)、分束器(12)、中继透镜一(13)、中继透镜二(14)、波前传感器(15)、成像透镜(16)和探测模块(17)；成像光路传播为：激光器(1)发射出激光光束经滤波模块(2)之后入射到二向色镜(3)上发生反射，反射光到反射镜(4)上再次反射到空间光调制器(5)上，经空间光调制器(5)的调制反射光依次经过扫描模块(6)、扫描透镜(7)和套筒透镜(8)后入射到显微物镜(9)，透射过显微物镜(9)后在实验样品(10)内聚焦；荧光信号入射到显微物镜(9)沿入射光路逆反传播回到二向色镜(3)，经过二向色镜(3)透射后，再经滤光片(11)入射到平板分束器(12)发生透射和反射，透射部分的荧光信号再依次经过中继透镜一(13)和中继透镜二(14)后被波前传感器(15)接收；反射部分的荧光信号再依次经过成像透镜(16)后被探测模块(17)接收。 2.根据权利要求1所述的一种基于机器学习的快速自适应光学扫描显微成像系统，其特征在于：所述的波前传感器(15)为但不限于夏克-哈特曼(Shack-Hartmann)波前传感器、剪切干涉仪、波前曲率传感器、点衍射自基准波前传感器和金字塔型波前传感器等。 3.根据权利要求1所述的一种基于机器学习的快速自适应光学扫描显微成像系统，其特征在于：所述的探测模块(17)为但不限于光电倍增管和基于CCD、EMCCD、COMS和sCMOS等芯片的相机。 4.根据权利要求1所述的一种基于机器学习的快速自适应光学扫描显微成像系统，其特征在于：所述实验样品(10)为但不限于可受激发射荧光的活体生物组织、可受激发射荧光的离体生物组织及含有荧光小球的琼脂块等在成像中受到光学散射干扰的样品。 5.一种基于机器学习的快速自适应光学扫描显微成像方法，其特征在于采用权利要求1-4任一所述自适应光学扫描显微成像系统，方法具体包含以下步骤： 1)在马赫—曾德(Mach-Zehnder)干涉仪中，利用马赫—曾德(Mach-Zehnder)干涉仪通过移相干涉法测量一类实验样品的不同局部位置的畸变相位分布，获得此类实验样品的像差先验信息；) 2)根据像差先验信息生成各不相同的相位分布再构建用于机器学习训练的相位分布集合相位分布集合由两部分组成，第一部分为随机相位分布集合，第二部分为特殊相位分布集合，其中i＝1,2,3,…,n； 3)在自适应光学扫描显微成像系统中，在显微物镜(9)的成像焦平面处放置无散射干扰的荧光样品，激光器(1)发射出激光光束经未加载相位的空间光调制器(5)的光路传播后由波前传感器采集获得无畸变光强分布图样，根据无畸变光强分布图样对进行自适应光学扫描显微成像系统的光路校准； 4)在显微物镜(9)的成像焦平面处依然放置无散射干扰的荧光样品，将步骤2)获得的相位分布集合中的每一相位分布分别依次加载到空间光调制器(5)上，入射光经过成像光路传播后在波前传感器(15)上采集获得训练畸变光强分布图样I，传播过程中经扫描模块(6)控制扫描照射到荧光样品并激发出荧光信号，荧光信号受到空间光调制器(5)上加载的相位分布所引入的像差干扰；由不同相位分布对应获得的各个训练畸变光强分布图样I组建构成用于机器学习训练的光强分布集合{Ii}，光强分布集合{Ii}由两部分组成，第一部分为随机相位分布对应的光强分布集合，第二部分为特殊相位分布对应的光强分布集合,其中i＝1,2,3,…,n，i表示相位分布集合中的相位分布的序数，n表示相位分布集合中的相位分布的总数； 5)将步骤4)与步骤2)获得的各个训练畸变光强分布图样I与其各自对应的相位分布作为机器学习训练的输入-输出数据对，输入到机器学习模型中进行训练获得针对此类实验样品的像差测量的最优模型参数，完成机器学习模型的训练； 6)在显微物镜(9)的成像焦平面处移除无散射干扰的荧光样品并放置像差未知待测的同类实验样品(10)，入射光经过未加载相位分布的空间光调制器(5)的成像光路传播后在波前传感器(15)上采集获得待测畸变光强分布图样I’，传播过程中经扫描模块(6)控制扫描照射到实验样品(10)并激发出荧光信号， 7)将步骤6)获得的畸变光强分布图样Ij输入到步骤5)获得的已训练的机器学习模型中，预测输出像差预测信息，通过计算转换得到所需用于校正像差的校正相位； 8)在显微物镜(9)的成像焦平面处放置像差未知待测的同类实验样品(10)不变，利用步骤7)中得到的校正相位加载到空间光调制器(5)上，入射光经过加载相位分布的空间光调制器(5)的成像光路传播后在探测模块(17)上获得像差校正后的待测实验样品的成像结果。 6.根据权利要求5所述的一种基于机器学习的快速自适应光学扫描显微成像方法，其特征在于：所述步骤1)中的畸变相位分布测量采用马赫—曾德干涉仪。 7.根据权利要求5所述的一种基于机器学习的快速自适应光学扫描显微成像方法，其特征在于：所述步骤1)中，像差先验信息具体获得为：将畸变相位分布通过相位表征函数进行分解，通过所用的相位表征函数对各项系数的范围进行标定，以标定获得的各项系数的范围作为像差先验信息。 8.根据权利要求5所述的一种基于机器学习的快速自适应光学扫描显微成像方法，其特征在于：所述步骤2)中的相位分布集合通过泽尼克多项式处理获得，具体依据步骤1)中所述的像差先验信息，每一项泽尼克多项式的系数在其预先标定的范围内进行随机取值，所得的系数组通过泽尼克多项式计算得到随机相位分布；所述的随机相位分布集合构建的具体步骤为：先对第一项泽尼克多项式系数a1在标定的范围内进行随机取值，在第一项泽尼克多项式系数a1每一取值下对第二项泽尼克多项式系数a2在对应标定的范围内随机取值，再在前两项泽尼克多项式系数a1，a2的每一组取值下对第三项泽尼克多项式系数a3在对应标定的范围内随机取值，以此方式完成对所有项泽尼克多项式系数ak的随机取值，以各项泽尼克多项式系数ak的不同取值组合作为一个系数组，从而获得一系列各不相同的相位分布，其中k＝1,2,3,…,36；所述的特殊相位分布集合构建的具体步骤为：对每一项泽尼克多项式系数ak在标定的范围内等间隔取10个不同的数值，同时其他项的泽尼克多项式系数保持为0，以此方式完成对所有项泽尼克多项式系数ak的遍历，以等间隔取一个数值下各项泽尼克多项式系数ak的取值组合作为一个系数组，从而获得一系列各不相同的相位分布，其中k＝1,2,3,…,36；最后将两个部分获得的相位分布合并连接获得相位分布集合 9.根据权利要求5所述的一种基于机器学习的快速自适应光学扫描显微成像方法，其特征在于：所述步骤5)中，机器学习模型具体采用AlexNet，针对所测实验样品的像差测量的最优模型参数包括机器学习模型的卷积核尺寸、目标函数最小化的参数、训练的迭代次数以及训练的数据批次大小等。 10.根据权利要求5所述的一种基于机器学习的快速自适应光学扫描显微成像方法，其特征在于：所述的传播过程中经扫描模块(6)控制后扫描荧光样品并激发出荧光信号，具体为：设置扫描模块(6)进行实验样品(10)的扫描时间与波前传感器的探测时间一致，入射光经扫描模块(6)控制后扫描实验样品(10)，在实验样品(10)中被入射光照射到的部位激发出荧光信号，改变入射光照射到实验样品(10)的不同局部位置，在不同局部位置激发出的荧光信号在波前传感器(15)的探测时间内被一同接收并在波前传感器(15)上形成光强分布图样。
所属类别：	发明专利