详情

原文传递一种基于深度学习的无光晕效应白光相位成像方法及系统

专利名称：	一种基于深度学习的无光晕效应白光相位成像方法及系统
摘要：	本发明公开了一种基于深度学习的无光晕效应白光相位成像方法及系统，系统，系统包括：白光衍射相位成像模块，用于采集生物活细胞的标准聚苯乙烯微球相位像；数据处理模块，对输入数据进行正则迭代计算，得到相应的无光晕效应相位像图像；将图像进行数据增广操作，从而将数据集扩大，并以7：2：1分为训练集、验证集和测试集；深度神经网络模型搭建模块，搭建深度神经网络模型，选择最佳模型；无光晕效应白光相位成像模块，通过白光衍射相位成像模块获取不同尺寸的标准聚苯乙烯微球相位像，经过导出的最佳模型计算，实现无光晕效应白光相位成像。本发明能够实现对白光衍射相位成像系统获取的相位像光晕效应的消除，且具有实时性好、准确性高的优点。
专利类型：	发明专利
国家地区组织代码：	浙江;33
申请人：	浙江师范大学
发明人：	马利红;朱苗苗
专利状态：	有效
申请日期：	2019-07-19T00:00:00+0800
发布日期：	2019-11-15T00:00:00+0800
申请号：	CN201910656274.9
公开号：	CN110455747A
代理机构：	杭州华鼎知识产权代理事务所(普通合伙)
代理人：	秦晓刚
分类号：	G01N21/45(2006.01);G;G01;G01N;G01N21
申请人地址：	321004浙江省金华市迎宾大道688号
主权项：	1.一种基于深度学习的无光晕效应白光相位成像系统，其特征在于包括：白光衍射相位成像模块，用于采集生物活细胞的标准聚苯乙烯微球相位像；数据处理模块，通过白光衍射相位成像模块获取1000张以上的1024×1024pixels的2μm标准聚苯乙烯微球相位像，作为输入数据；对输入数据进行正则迭代计算，得到相应的无光晕效应相位像图像，作为目标数据；将图像进行数据增广操作，从而将数据集扩大，并以7：2：1分为训练集、验证集和测试集；深度神经网络模型搭建模块，根据训练集搭建深度神经网络模型，在训练模型过程中调整模型的层数和参数，保存多种模型，用未经过训练的测试集相位像数据进行光晕效应消除实验，选择时间短、结构相似性指数高的模型导出，作为最佳模型；无光晕效应白光相位成像模块，通过白光衍射相位成像模块获取不同尺寸的标准聚苯乙烯微球相位像，经过导出的最佳模型计算，实现无光晕效应白光相位成像。 2.根据权利要求1所述的一种基于深度学习的无光晕效应白光相位成像系统，其特征在于：所述输入数据的正则迭代计算方法为：由白光衍射相位成像原理推导得到测量相位和真实相位的关系为式中φm(r)为测量相位；φ(r)为样品的真实相位；是样品透射率函数被平滑后的相位值，其中是系统照明光源的互相干函数，h0(r)是0级滤波孔径透过率函数的傅里叶变换，因此h(r)是成像系统的硬件参数决定的；为计算得到真实相位，采用总变分最小约束的Landweber正则迭代计算方法式中，为总变分项，为测量数据，即输入数据，为上一次估算值，当n＝0时，初始为零矩阵，λ为正则参数，取值为0.03，τ为松弛因子，取值为0.5。 3.根据权利要求2所述的一种基于深度学习的无光晕效应白光相位成像系统，其特征在于：所述数据增广操作为将图像经过顺时针旋转90°、逆时针旋转90°、垂直翻转和水平翻转，从而将数据集扩大四倍。 4.根据权利要求1所述的一种基于深度学习的无光晕效应白光相位成像系统，其特征在于：深度神经网络模型激活函数使用线性整流函数。 5.根据权利要求4所述的一种基于深度学习的无光晕效应白光相位成像系统，其特征在于：深度神经网络模型中梯度下降采用Adam优化方法。 6.根据权利要求5所述的一种基于深度学习的无光晕效应白光相位成像系统，其特征在于：深度神经网络模型中损失函数采用加入正则项的自定义损失函数，表达式为 loss＝argmin\|\|ypred-ytrue\|\|2+α\|\|ypred\|\|1 式中ypred表示经过模型计算得到的重建数据，ytrue表示目标数据，α表示正则项系数，取值为0.5，\|\|·\|\|1表示1-范数，\|\|·\|\|2表示2-范数。 7.根据权利要求6所述的一种基于深度学习的无光晕效应白光相位成像系统，其特征在于：模型训练使用一个批次8个样本图像的训练集训练网络200个周期，在训练过程中，设置最优模型参数保存，以验证集数据的损失函数值作为指标，保存损失函数值最小的模型权重。 8.根据权利要求6所述的一种基于深度学习的无光晕效应白光相位成像系统，其特征在于：时间是使用保存的模型权重对一张未经训练的相位像光晕消除处理所需的计算运行时间，结构相似性指数计算公式为式中μ是图像的平均值，σ是图像的标准偏差，下标0和1表示目标和经过模型计算得到的重建数据，σ0,1是两个图像数据的协方差，c1和c2是正则化常数，c1取值为6.5，c2取值为58.5。 9.根据权利要求1至8中任意一项所述的一种基于深度学习的无光晕效应白光相位成像系统，其特征在于：最佳模型结构和参数为：第一层，对输入数据采用3个3×3卷积核的卷积层，并经过激活函数计算；第二层，采用8个3×3卷积核的卷积层，并经过激活函数计算；第三层为批量归一化层，将图像数据做小批量归一化处理；第四层为2×2的池化层；第五层至第十层为两次重复第二层至第四层，修改第一次重复的卷积层的卷积核数量为16，修改第二次重复的卷积核数量为32；第十一层为32个3×3卷积核的卷积层，并经过激活函数计算；第十二层为批量归一化层；第十三层为2×2的上采样层；第十四层至第十九层为两次重复第十一层至第十三层，修改第一次重复的卷积层的卷积核数量为16，修改第二次重复的卷积核数量为8；第二十层为1个3×3卷积核的卷积层，不经过激活函数计算，输出重建数据。 10.一种基于深度学习的无光晕效应白光相位成像方法，其特征在于包括如下步骤：步骤1：数据准备和处理，通过白光衍射相位成像模块获取1000张以上的10241024pixels的2μm标准聚苯乙烯微球相位像，作为输入数据；对输入数据进行正则迭代计算，得到相应的无光晕效应相位像图像，作为目标数据；将图像进行数据增广操作，从而将数据集扩大，并以7：2：1分为训练集、验证集和测试集；步骤2：模型训练和导出，根据训练集搭建深度神经网络模型，在训练模型过程中调整模型的层数和参数，保存多种模型，用未经过训练的测试集相位像数据进行光晕效应消除实验，选择时间短、结构相似性指数高的模型导出，作为最佳模型；步骤3：无光晕效应白光相位成像计算，通过白光衍射相位成像模块获取不同尺寸的标准聚苯乙烯微球相位像，经过导出的最佳模型计算，实现无光晕效应白光相位成像。
所属类别：	发明专利