摘要
干涉显微结合了传统的光学显微技术和干涉技术，它通过光学干涉记录样品的干涉图，然后完成样品相位图像的定量重建。在干涉显微中，图像的分辨率和图像视场相互制约，为了得到高分辨率的图像，需要使用高倍物镜进行观察，但是成像视场变小，反之亦然。另外，在干涉显微相位成像中，相位图像通常受到相干噪声的影响，从而导致相位的信噪比低。 针对以上问题，本文提出一种具有可伸缩性的密集连接卷积神经网络SDUnet(ScaleableDenseUnet)，该网络以Unet网络为基础，为了完成对图像细节的重建，引入了含有自适应权重的密集连接模块。该模型通过学习低倍物镜下的相位图像与高倍物镜下的相位图像之间的映射关系，从而实现相位图像的超分辨成像，同时可有效去除相位图像中的相干噪声。利用该网络，可以在不牺牲成像视场的情况下，对低倍物镜下的相位图像进行超分辨成像以及噪声去除。首先，以人体血红细胞为观察对象，通过实验测量的方式建立了训练集、验证集和测试集。对同一样品，分别采用20×物镜和60×物镜进行相位成像，并完成低分辨率相位图像和高分辨率相位图像的像素匹配，其中低分辨率相位图像作为模型的输入，高分辨率相位图像去噪后作为模型的训练标签。接着，构建并训练SDUnet模型，通过对比不同的损失函数并设计合适本模型的训练策略，优化了重建图像的清晰度、细节还原度及其真实感。 开展模型对比实验、抗噪测试实验以及实际应用测试验证了模型的有效性。实验结果表明，本文所提出的SDUnet模型在进行超分辨成像时，在PSNR、SSIM和MSE指标上均优于传统的SRResNet和SRDenseNet模型，同时它具有很好的去噪能力。本文提出的模型在应用于不同像素大小的血红细胞相位图像以及其他样本的相位图像时均能在图像细节重建和降低噪声方面表现出良好性能。本文提出的方案不需要对干涉显微镜做任何硬件方面的改动，而是通过数据后处理的方式，具有方便部署的优点，为提高干涉显微的成像性能提供了一种有效方法。
NETL