基于深度学习的多向子孔径包裹相位像差补偿方法实现合成孔径数字全息显微超分辨成像

针对合成孔径数字全息显微(SA-DHM)中光学像差影响成像质量的关键问题，研究人员创新性地提出基于Moga增强ConvNeXt架构的多向子孔径包裹相位像差补偿方法。通过构建混合仿真数据集和随机线性组合数据增强技术，实现了1.87倍超分辨相位成像，无需载频估计或残余像差校正，显著提升了SA-DHM的成像信噪比和重建质量。

　　

在光学显微成像领域，合成孔径数字全息显微(SA-DHM)技术因其独特的定量相位测量能力，已成为生物细胞监测、微纳结构表征等领域的重要工具。然而这项技术长期面临着一个"鱼与熊掌"的困境：虽然可以通过倾斜照明(OI)扩展系统频带实现超分辨成像，但光学像差就像蒙在镜头上的层层薄纱，严重影响着成像质量。这些像差不仅来自光学系统本身的缺陷，更因多角度采集中实验条件的微小差异而变得复杂多变，使得重建图像的信噪比和分辨率难以突破理论极限。

传统解决方案如同"盲人摸象"：物理补偿方法需要复杂的硬件调整，数值补偿算法又陷入计算复杂度和精度的两难境地。更棘手的是，在合成孔径处理前，各子孔径间的像差补偿和基线统一就像"多声部合唱中的调音"问题，直接决定着最终的重建质量。这些瓶颈严重制约着SA-DHM在活细胞观测等实时应用中的表现。

中国计量大学的研究团队在《Optics and Lasers in Engineering》发表的研究中，提出了一个突破性的解决方案。他们巧妙地将现代深度学习技术与传统光学系统相结合，开发出基于Moga-enhanced ConvNeXt架构的多向子孔径包裹相位像差补偿方法。这项研究最令人振奋的发现是：通过数字微镜器件(DMD)实现的多向倾斜照明与深度学习像差补偿的协同作用，不仅实现了1.87倍的超分辨成像，更首次在包裹相位图阶段就完成了精准像差补偿，省去了繁琐的残余像差校正步骤。

关键技术方法包括：1)搭建DMD控制的SA-DHM系统获取多向子孔径数据；2)构建混合仿真数据集并采用Mixup数据增强；3)设计含多阶门控聚合块(Moga Blocks)的ConvNeXtV2网络架构；4)建立包裹相位图与Zernike系数的直接映射关系；5)采用USAF 1951分辨率靶标、聚苯乙烯颗粒和青蛙卵裂细胞等样本进行验证。

【光学配置】研究团队构建的DMD基SA-DHM系统创新性地采用数字微镜器件替代传统振镜，通过精确控制每个微镜的偏转角度，实现了照明角度在±15°范围内的灵活调制。这种设计不仅提高了系统稳定性，更通过594.1 nm激光光源和60×/0.7 NA物镜的组合，获得了0.52 μm的理论分辨率。

【网络架构和训练过程】研究人员将ConvNeXtV2的大核深度卷积与MogaNet的多阶门控机制创新结合，设计了包含四个下采样阶段的特征提取网络。特别值得注意的是，网络输入采用256×256大小的包裹相位图，通过级联的Moga Blocks逐步提取多尺度特征，最终输出前15阶Zernike多项式系数。训练过程中采用的混合损失函数(MAE+Smooth L1)使网络在保持精度的同时增强了泛化能力。

【实验和讨论】在聚苯乙烯颗粒的实验中，该方法将相位测量误差从传统PCA方法的0.82 rad降至0.21 rad。对青蛙卵裂细胞的成像则显示，其获得的超分辨相位图像能清晰分辨传统方法难以区分的亚细胞结构。定量分析表明，该方法在结构相似性(SSIM)和峰值信噪比(PSNR)指标上分别比ResNet方法提高了18.7%和3.2 dB。

这项研究的突破性意义在于三个方面：首先，将像差补偿提前至包裹相位阶段，简化了后续处理流程；其次，通过深度学习实现了多子孔径的自动基线统一，解决了合成孔径处理中的关键难题；最重要的是，该方法摆脱了对精确系统参数和载频估计的依赖，使SA-DHM技术向实用化迈进了一大步。正如研究人员指出的，这种"端到端"的像差补偿范式不仅适用于SA-DHM，也为其他定量相位成像技术提供了新的技术路线。未来，随着更多生物样本数据的加入，该方法有望在活细胞动态观测等领域发挥更大价值。