Al-optisk fasegendannelse og kvantitativ fasebilleddannelse udført øjeblikkeligt uden en computer

Optisk billeddannelse og karakterisering af svagt spredningsfaseobjekter, såsom isolerede celler, bakterier og tynde vævssnit, der ofte anvendes i biologisk forskning og medicinske anvendelser, har været af betydelig interesse i årtier. På grund af deres optiske egenskaber, når disse 'faseobjekter' belyses med en lyskilde, er mængden af ​​spredt lys sædvanligvis meget mindre end det lys, der passerer direkte gennem prøven, hvilket resulterer i en dårlig billedkontrast ved brug af traditionelle billeddannelsesmetoder. Denne lave billedkontrast kan overvindes ved hjælp af for eksempel kemiske pletter eller fluorescerende tags. Imidlertid er disse eksterne mærknings- eller farvningsmetoder ofte kedelige, dyre og involverer giftige kemikalier.

Kvantitativ fasebilleddannelse (QPI) er dukket op som en kraftfuld etiketfri tilgang til optisk undersøgelse og sansning af forskellige svagt spredte, transparente faseobjekter. De sidste par årtier har været vidne til udviklingen af ​​adskillige digitale metoder til kvantitativ fasebilleddannelse baseret på billedrekonstruktionsalgoritmer, der kører på computere for at gendanne objektets fasebillede fra forskellige interferometriske målinger. Disse digitale QPI-teknikker, drevet af grafikbehandlingsenheder (GPU'er), er blevet brugt i forskellige applikationer, herunder patologi, cellebiologi, immunologi og cancerforskning, blandt andre.

I en ny forskningsartikel offentliggjort i Advanced Optical Materials , et team af optiske ingeniører, ledet af professor Aydogan Ozcan fra Electrical and Computer Engineering Department og California NanoSystems Institute (CNSI) ved University of California, Los Angeles (UCLA), udviklede et diffraktivt optisk netværk til at erstatte de anvendte digitale billedgenopbygningsalgoritmer i QPI-systemer med en række passive optiske overflader, der er rumligt konstrueret ved hjælp af deep learning. I modsætning til de konventionelle QPI-systemer, hvor fasegendannelsestrinnet udføres på en digital computer ved hjælp af en intensitetsmåling eller et hologram, behandler et diffraktivt QPI-netværk direkte de optiske bølger genereret af selve objektet for at hente faseinformationen fra prøven som lyset forplanter sig gennem det diffraktive netværk. Derfor fuldføres hele fasegendannelses- og kvantitative fasebilleddannelsesprocesser med lysets hastighed og uden behov for en ekstern strømkilde, bortset fra belysningslyset. Efter at lyset interagerer med objektet af interesse og forplanter sig gennem de rumligt konstruerede passive lag, vises det genvundne fasebillede af prøven ved outputtet af det diffraktive netværk som et intensitetsbillede, der med succes konverterer objektets fasetræk ved indgangen til et intensitetsbillede ved udgangen.

Disse resultater udgør den første helt optiske fasegenfinding og fase-til-intensitet transformation opnået gennem diffraktion. Ifølge resultaterne præsenteret af UCLA-teamet kan de diffraktive QPI-netværk, der trænes ved hjælp af deep learning, ikke kun generalisere til usete, nye faseobjekter, der statistisk ligner træningsbillederne, men også generalisere til helt nye typer objekter med forskellige rumlige egenskaber. Derudover er disse diffraktive QPI-netværk designet således, at kvantificeringen af ​​inputfasen er invariabel i forhold til mulige ændringer i belysningslysintensiteten eller billedsensorens detekteringseffektivitet. Holdet viste også, at de diffraktive QPI-netværk kunne optimeres til at opretholde deres kvantitative fasebilledkvalitet selv under mekaniske fejljusteringer af dets diffraktive lag.

De diffraktive QPI-netværk rapporteret af UCLA-teamet repræsenterer et nyt fasebilledkoncept, der ud over dets overlegne beregningshastighed fuldender fasegendannelsesprocessen, når lyset passerer gennem tynde, passive diffraktive overflader og derfor eliminerer strømforbruget og hukommelsesforbruget påkrævet i digitale QPI-systemer, hvilket potentielt baner vejen for forskellige nye anvendelser inden for mikroskopi og sansning. + Udforsk yderligere

Diffraktive optiske netværk rekonstruerer hologrammer øjeblikkeligt uden en digital computer