基于物理原理的自监督方法用于光学相干断层扫描(OCT)的重新聚焦
《Optics & Laser Technology》:Physics-guided self-supervised method for OCT refocusing
【字体:
大
中
小
】
时间:2026年01月16日
来源:Optics & Laser Technology 4.6
编辑推荐:
OCT数字重聚焦算法融合物理衍射模型与深度学习,通过自监督机制解决活体成像中相位不稳定导致的深度焦点分辨率下降问题,无需高相位稳定性即可提升轴向分辨率,在生物组织实验中验证有效性。
卓群元|杨迪|梁彦梅
南开大学现代光学研究所,天津微尺度光学信息科学技术重点实验室,中国天津300350
摘要
在OCT成像中解决横向分辨率与焦深之间的权衡对于推动生物医学成像的发展至关重要。计算方法可以在扫描过程中实现有效的重新聚焦效果,但同时需要高相位稳定性,这在体内成像中存在挑战。现有的深度学习方法通常是监督式的,并且需要大量配对数据,而这些数据在实践中难以获得。本文提出了一种OCT数字重新聚焦算法,该算法将物理衍射模型与神经网络相结合。该方法利用深度学习来学习物理衍射的先验知识,并将其应用于OCT强度图像,从而实现无需依赖OCT系统高相位稳定性的自我监督重新聚焦,具有广泛的应用潜力。
引言
光学相干断层扫描(OCT)是一种非侵入性、高速的三维成像技术,已广泛应用于眼科、心脏病学等领域。OCT能够实现微米级的分辨率,从而能够详细表征对早期病理诊断至关重要的微观结构特征。然而,尽管高横向分辨率是由焦平面上紧密聚焦的高斯光束提供的,但由于失焦,分辨率会随着深度的增加而迅速下降,从而限制了体积成像的质量。
因此,近年来解决OCT横向分辨率与焦深之间的固有权衡已成为OCT领域的研究热点[1]。研究人员开发了诸如动态焦点移动[2]、多焦点光束[3]等硬件方法,以及复杂波前整形[4]、[5]和合成孔径[6]、[7]等硬件辅助的计算成像方法。然而,这些方法可能会增加OCT系统的复杂性和成本。
相比之下,软件方法提供了更具成本效益的替代方案。通过应用反卷积算法[8],可以提高横向分辨率,其中与深度相关的横向点扩散函数(PSF)是通过实验获取[9]和理论分析[10]获得的。基于波传播物理模型的计算方法也被开发出来以扩展焦深(DOF)。例如,干涉合成孔径显微镜[11]通过解决逆散射问题来计算重建空间不变的高横向分辨率。衍射模型被用来模拟波从失焦散射体到焦平面的传播,以恢复高横向分辨率[12]、[13]、[14]、[15]。这些计算技术有效地利用了OCT信号中的相位信息,并取得了良好的重新聚焦效果。然而,它们在扫描过程中严重依赖于高相位稳定性,这对于体内成像来说是一个挑战。
最近,深度学习逐渐被用来提高OCT的横向分辨率。研究人员开发了各种模拟方法[16]、[17]、[18]和实验数据收集技术[19]、[20]来获取配对数据集以训练网络,从而提高OCT图像的横向分辨率。我们总结了现有的模型、最新进展,并讨论了基于深度学习的OCT图像超分辨率的挑战和未来方向[21]。现有的方法主要是监督式的,并且依赖于大量配对的先验数据,这些数据在实践中难以获得。自我监督方法在医学成像中越来越被使用[22]、[23],它通过利用数据中的内在信号来生成高分辨率标签,从而避免了对外部配对数据集的需求。最近,基于成像原理的自我监督方法[24]、[25]、[26]被提出来提高轴向分辨率并提升OCT图像的质量。
此外,研究发现将物理成像过程整合到深度学习框架中可以在数据有限的情况下增强模型的泛化能力,并提高显微镜成像重建结果的物理真实性和可靠性[27]、[28]。这些进展为物理指导的OCT重新聚焦的发展提供了参考。
我们提出了一种新颖的自我监督OCT数字重新聚焦算法,该算法将物理衍射模型与深度学习相结合。在这个框架中,神经网络受到来自衍射模型的物理监督的指导,使网络能够学习潜在的物理先验并将其应用于增强OCT强度图像。为了充分利用衍射的频域特性,设计了一个残差傅里叶注意力网络,以选择性地捕捉失焦图像和重新聚焦图像之间的差异,从而实现依赖于深度的分辨率的稳健重建。在各种生物组织上的实验结果证明了所提方法的有效性和泛化能力,在有限的相位稳定性下实现了自我监督重新聚焦。
章节摘录
物理衍射模型
数字重新聚焦方法基于菲涅尔近似的标量衍射理论[14]应用。根据标量衍射理论,点
p
处的标量场
U(
)可以表示为其中A(
)和φ(
)分别是点
处波的振幅和相位。如方程(2)所示,U(
)需要满足亥姆霍兹方程,其中k是波数。图1展示了光在自由空间中的传播,其中(x, y)平面是
实验结果
在这个实验中,使用自制的光谱域OCT(SD-OCT)[37]、[38]收集了橙色组织和人体甲状腺的图像,以验证所提出的自我监督数字重新聚焦方法的有效性。该自制系统的轴向分辨率为约3.4微米。扫描镜头(LSM02-BB,Thorlabs,NA = 0.11)在焦平面上提供约4微米的横向分辨率和约60微米的焦深[20]。C扫描的视野为1.5毫米×1.5毫米×2.3毫米,相当于1000像素×1000像素×2048像素
讨论
提出了基于物理衍射模型的OCT自我监督重新聚焦算法用于OCT图像重新聚焦。在该框架中,训练数据由衍射模型生成,作为物理信息监督,使网络能够直接学习与物理模型一致的重新聚焦行为,而无需大规模的实验数据集。通过设计受物理启发的网络结构和实现基于物理的损失函数,
结论
对于自我监督重新聚焦,提出了一种新的OCT数字重新聚焦方法,该方法应用物理模型来指导神经网络的训练。通过利用深度学习提取和整合基于衍射的先验知识,所提出的方法直接对OCT强度图像进行操作以实现自我监督重新聚焦。特别设计了一个残差傅里叶域注意力网络来捕捉失焦图像和重新聚焦图像之间的频域差异。
资助
本工作得到了国家自然科学基金(编号:62,375,144和12404345)、国家颗粒传输与分离技术重点实验室(编号:KGKF-2024–3)的资助,以及南开大学“中央高校基本科研业务费”(编号:63241331)的支持。
CRediT作者贡献声明
卓群元:撰写 – 审稿与编辑,撰写 – 原始草稿,可视化,软件,方法论,数据管理。杨迪:撰写 – 审稿与编辑,验证,资金获取。梁彦梅:撰写 – 审稿与编辑,监督,资源管理,项目管理,资金获取,概念构思。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号