神经网络模型结合瞳孔恢复应用于傅里叶叠层显微术

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。