CN110346340B - 基于波前传感器的机器学习快速像差测量系统与方法 - Google Patents

基于波前传感器的机器学习快速像差测量系统与方法 Download PDF

Info

Publication number
CN110346340B
CN110346340B CN201910653527.7A CN201910653527A CN110346340B CN 110346340 B CN110346340 B CN 110346340B CN 201910653527 A CN201910653527 A CN 201910653527A CN 110346340 B CN110346340 B CN 110346340B
Authority
CN
China
Prior art keywords
phase
aberration
machine learning
light intensity
intensity distribution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910653527.7A
Other languages
English (en)
Other versions
CN110346340A (zh
Inventor
龚薇
斯科
胡淑文
胡乐佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910653527.7A priority Critical patent/CN110346340B/zh
Publication of CN110346340A publication Critical patent/CN110346340A/zh
Application granted granted Critical
Publication of CN110346340B publication Critical patent/CN110346340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6402—Atomic fluorescence; Laser induced fluorescence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N21/6456—Spatial resolved fluorescence measurements; Imaging
    • G01N21/6458—Fluorescence microscopy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6428—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes"
    • G01N2021/6439—Measuring fluorescence of fluorescent products of reactions or of fluorochrome labelled reactive substances, e.g. measuring quenching effects, using measuring "optrodes" with indicators, stains, dyes, tags, labels, marks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N2021/6463—Optics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N2021/6463—Optics
    • G01N2021/6471—Special filters, filter wheel
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N2021/6463—Optics
    • G01N2021/6478—Special lenses
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/645—Specially adapted constructive features of fluorimeters
    • G01N2021/6484—Optical fibres

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Optics & Photonics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种基于波前传感器的机器学习快速像差测量系统与方法。用马赫—曾德干涉仪通过移相干涉法测量实验样品的畸变相位分布，处理得到像差先验信息，利用像差先验信息生成相位分布集合；将相位分布集合依次加载到空间光调制器后扫描无畸变的荧光样品，得到畸变光强分布图样，建立光强分布集合；将光强分布集合与相位分布集合输入机器学习模型中训练；扫描待测实验样品获得新光强分布图样，输入训练后的机器学习模型获得预测像差信息，得到校正相位；将校正相位加载到空间光调制器上形成像差测量。本发明结合了机器学习算法与波前传感技术，提升了光学像差测量速度，实现了宽场荧光显微成像中的快速像差测量与校正，应用前景好。

Description

基于波前传感器的机器学习快速像差测量系统与方法
技术领域
本发明属于光学波前畸变快速测量领域的一种像差测量系统与方法，特别涉及一种基于波前传感器的机器学习快速像差测量系统与方法，可应用于高分辨光学显微成像与光学波前畸变测量，为生物医学领域的高速高分辨率成像提供了一种新的技术手段。
背景技术
在生物医学研究中，常利用光学显微成像技术获得生物组织的深层信息。但由于生物组织的折射率不均匀性、光学元器件的生产精度误差以及介质间的折射率失配，成像过程中常会产生光学像差，从而引起波前畸变，严重影响了光斑的聚焦情况与成像质量。并且随着深度的增加，引入的光学像差不断累积，使图像的信噪比和分辨率降低，成像质量急剧下降，大大限制了光学显微成像的深度。针对这一现象，目前研究者提出了各种方式克服成像过程中光学散射的影响，其中自适应光学技术效果良好，是目前较为普遍的一种像差校正的方式。
早先自适应光学技术应用于天文学中，修正天体观察中大气湍流所造成的影响。在光学显微成像领域中，基于自适应光学技术的像差校正方法原理如下：利用直接(波前传感器)或间接测量方法获得各种因素引起的入射波面的波前畸变，然后通过波前校正器(如变形镜、空间光调制器等)对畸变进行补偿，恢复光学衍射极限。代表性技术如相干光自适应技术，其将入射光瞳划分为若干区域，利用分块可变形镜或者空间光调制器利用不用频率对不同分区进行相位调制，探测焦平面中心各光束相干光强值计算得到不同分区所需的补偿相位，将补偿相位分布加载在分块可变形镜或者空间光调制器上，完成畸变相位的校正。
但直接测量方法通常只能够校正低阶像差，在较深的生物组织中无法获得理想的校正效果；此外直接测量方法的波前测量精度有限，以夏克-哈特曼波前传感器为例，其探测精度依赖于质心的定位精度，常需要额外的算法提升质心定位精度；而间接测量方法虽然能获得较为理想的结果，却需要消耗大量的时间，无法兼顾时间成本与成像质量，不利于活体生物中进行实时成像检测，制约了其在生物医学领域中的实际应用。
现有技术中申请号为201811314921.X专利涉及了一种基于机器学习的高速高分辨扫描显微成像系统与方法，但是其对像差的探测能力有限。泽尼克多项式的项数表征了成像系统的探测能力，可认为泽尼克多项式的项数越大，成像系统的探测能力越高。申请号为201811314921.X专利中所述方法仅能够对前15项泽尼克多项式系数进行探测，而本发明中所述方法能够对前36项泽尼克多项式系数实现探测，对于系统中存在较大像差的情形，本发明中所述方法能够得到更为准确的像差探测结果，从而能够达到更佳的像差校正效果。
发明内容
为了解决背景技术中存在的问题，本发明提供了一种基于波前传感器的机器学习快速像差测量系统与方法。本发明结合了直接波前检测与间接波前检测的方式，利用机器学习理论进行像差校正，重构入射波前，并在宽场显微镜中获得像差快速校正的高分辨率图像，提高了探测能力。
本发明能够利用移相干涉法对某类实际样品的不同位置的畸变相位分布进行测量，获得关于此类实验样品的像差先验信息，并基于所得的像差先验信息生成大量的相位分布—光强分布数据对用于训练学习，建立起畸变的波前传感器光强分布图样I与其对应相位分布
Figure BDA0002136091040000021
之间的非线性映射关系，快速得到任意此类实验样品的像差信息，通过计算后得到对应的校正相位信息，进行一定深度下的像差校正，从而得到高分辨率显微图像。
为了实现上述目的，本发明采用的技术方案包括以下步骤：
一、一种基于波前传感器的机器学习快速像差测量系统：
系统包括激光器、光纤、准直透镜、二向色镜、反射镜、空间光调制器、中继透镜一、中继透镜二、显微物镜、滤光片、平板分束器、中继透镜三、中继透镜四、波前传感器、成像透镜和相机；成像光路传播为：激光器发射出激光光束依次经光纤、准直透镜之后入射到二向色镜上发生反射，反射光到反射镜上再次反射到空间光调制器上，经空间光调制器的调制反射光依次经过中继透镜一与中继透镜二后入射到显微物镜，透射过显微物镜后在实验样品内聚焦；荧光信号入射到显微物镜沿入射光路逆反传播回到二向色镜，经过二向色镜透射后，再经滤光片入射到平板分束器发生透射和反射，透射部分的荧光信号再依次经过中继透镜三与中继透镜四后被波前传感器接收；反射部分的荧光信号再依次经过成像透镜后被相机接收。
所述的系统使用一个显微物镜实现对实验样品的激光入射与荧光信号收集。
所述的波前传感器用于采集经扫描模块进行光束扫描后在实验样品中激发出的荧光信号，获得用于像差测量的畸变光强分布图样；
所述的相机用于采集经扫描模块进行光束扫描后激发出的荧光信号，获得扫描显微成像的结果。
所述的波前传感器为但不限于夏克-哈特曼(Shack-Hartmann)波前传感器、剪切干涉仪、波前曲率传感器、点衍射自基准波前传感器和金字塔型波前传感器等。
所述的相机为但不限于光电倍增管和基于CCD、EMCCD、COMS和sCMOS等芯片的相机。
所述实验样品为但不限于可受激发射荧光的活体生物组织、可受激发射荧光的离体生物组织及含有荧光小球的琼脂块等在成像中受到光学散射干扰的样品。
二、一种基于波前传感器的机器学习快速像差测量方法，采用上述自适应光学扫描显微成像系统，方法具体包含以下步骤：
1)在马赫—曾德(Mach-Zehnder)干涉仪中，利用马赫—曾德(Mach-Zehnder)干涉仪通过移相干涉法测量一类实验样品的不同局部位置的畸变相位分布，获得此类实验样品的像差先验信息；)
2)根据像差先验信息生成大量各不相同的相位分布
Figure BDA0002136091040000034
再构建用于机器学习训练的相位分布集合
Figure BDA0002136091040000033
相位分布集合
Figure BDA0002136091040000032
由两部分组成，第一部分为随机相位分布集合，第二部分为特殊相位分布集合，其中i＝1,2,3,…,n；
每一相位分布中的每个相位值和空间光调制器中的灰度电压值一一对应。
3)在自适应光学扫描显微成像系统中，在显微物镜的成像焦平面处放置无散射干扰的荧光样品，即激光照射后不产生荧光的样品，如荧光染料，激光器发射出激光光束经未加载相位的空间光调制器的光路传播后由波前传感器采集获得无畸变光强分布图样，根据无畸变光强分布图样对进行自适应光学扫描显微成像系统的光路校准；
4)在显微物镜的成像焦平面处依然放置无散射干扰的荧光样品，将步骤2)获得的相位分布集合
Figure BDA0002136091040000035
中的每一相位分布分别依次加载到空间光调制器上，入射光经过成像光路传播后在波前传感器上采集获得训练畸变光强分布图样I，传播过程中经扫描模块控制扫描照射到荧光样品并激发出荧光信号，荧光信号受到空间光调制器上加载的相位分布所引入的像差干扰，
由不同相位分布对应获得的各个训练畸变光强分布图样I组建构成用于机器学习训练的光强分布集合{Ii}，光强分布集合{Ii}由两部分组成，第一部分为随机相位分布对应的光强分布集合，第二部分为特殊相位分布对应的光强分布集合,其中i＝1,2,3,…,n，i表示相位分布集合
Figure BDA0002136091040000036
中的相位分布的序数，n表示相位分布集合
Figure BDA0002136091040000041
中的相位分布的总数；
5)将步骤4)与步骤2)获得的各个训练畸变光强分布图样I与其各自对应的相位分布
Figure BDA0002136091040000042
作为机器学习训练的输入-输出数据对，训练畸变光强分布图样I作为输入，相位分布
Figure BDA0002136091040000043
作为输出，输入到机器学习模型中进行训练获得针对此类实验样品的像差测量的最优模型参数，完成机器学习模型的训练；
6)在显微物镜的成像焦平面处移除无散射干扰的荧光样品并放置像差未知待测的同类实验样品，入射光经过未加载相位分布的空间光调制器的成像光路传播后在波前传感器上采集获得待测畸变光强分布图样I’，具体可表示为Ij'，j≠i，传播过程中经扫描模块控制扫描照射到实验样品并激发出荧光信号，荧光信号受到空间光调制器上加载的相位分布所引入的像差干扰，
7)将步骤6)获得的畸变光强分布图样Ij输入到步骤5)获得的已训练的机器学习模型中，预测输出像差预测信息，即可快速获得实验样品的像差预测信息，通过计算转换得到所需用于校正像差的校正相位；
8)在显微物镜的成像焦平面处放置像差未知待测的同类实验样品不变，利用步骤7)中得到的校正相位加载到空间光调制器上，入射光经过加载相位分布的空间光调制器的成像光路传播后在相机上获得像差校正后的待测实验样品的成像结果，同时在波前传感器上形成像差校正后的待测畸变光强分布图样I’，以进行对照。
所述步骤1)中的畸变相位分布测量采用马赫—曾德干涉仪，通过移相干涉法解出所测实验样品的相位主值分布。此后使用路径跟踪方法将相位主值分布解包裹，获得用于表征实验样品所引入的像差的连续相位分布。
所述步骤1)中，像差先验信息具体获得为：将畸变相位分布通过相位表征函数进行分解，通过所用的相位表征函数对各项系数的范围进行标定，以标定获得的各项系数的范围作为用于后续机器学习训练所需的像差先验信息。
所述的相位表征函数包括但不限于泽尼克多项式的正交基底函数。
所述步骤2)中的相位分布集合
Figure BDA0002136091040000044
可以但不限于通过泽尼克多项式构成。
所述步骤2)中的相位分布集合
Figure BDA0002136091040000045
通过泽尼克多项式处理获得，以泽尼克多项式为例，具体依据步骤1)中所述的像差先验信息，每一项泽尼克多项式的系数在其预先标定的范围内进行随机取值，所得的系数组通过泽尼克多项式计算得到随机相位分布；
所述的随机相位分布集合构建的具体步骤为：
先对第一项泽尼克多项式系数a1在标定的范围内进行随机取值，在第一项泽尼克多项式系数a1每一取值下对第二项泽尼克多项式系数a2在对应标定的范围内随机取值，再在前两项泽尼克多项式系数a1，a2的每一组取值下对第三项泽尼克多项式系数a3在对应标定的范围内随机取值，以此方式完成对所有项泽尼克多项式系数ak的随机取值，以各项泽尼克多项式系数ak的不同取值组合作为一个系数组，从而获得一系列各不相同的相位分布，其中k＝1,2,3,…,36；
所述的特殊相位分布集合构建的具体步骤为：
对每一项泽尼克多项式系数ak在标定的范围内等间隔取10个不同的数值，同时其他项的泽尼克多项式系数保持为0，以此方式完成对所有项泽尼克多项式系数ak的遍历，以等间隔取一个数值下各项泽尼克多项式系数ak的取值组合作为一个系数组，从而获得一系列各不相同的相位分布，其中k＝1,2,3,…,36；
最后将两个部分获得的相位分布合并连接获得相位分布集合
Figure BDA0002136091040000053
具体实施中，如果第一部分与第二部分的相位分布集合中存在系数组重复，其不影响机器学习的训练过程。
然后采用以下公式计算生成入射光的相位分布:
Figure BDA0002136091040000051
Figure BDA0002136091040000052
其中，Ψ(r,θ)表示光束的相位分布，ak表示第k项泽尼克多项式系数，k，k’＝1,2,3,4,5,6,...n，Zk(r,θ)表示泽尼克多项式的第k项基函数，n代表泽尼克多项式的总项数，r表示空间光调制器中每一点的径向距离，θ表示空间光调制器中每一点的方位角，Zk'(r,θ)表示泽尼克多项式的第k’项基函数，δk,k'表示冲激函数。
所述步骤5)中，机器学习模型具体采用AlexNet，针对所测实验样品的像差测量的最优模型参数包括机器学习模型的卷积核尺寸、目标函数最小化的参数、训练的迭代次数以及训练的数据批次大小等。
所述的机器学习模型的训练在扫描显微成像前进行，所述的训练得到的机器学习模型在扫描显微成像过程中应用。
所述步骤7)中校正相位可以但不限于通过泽尼克多项式构成：以泽尼克多项式为例，将机器学习模型预测得到的像差信息代入泽尼克多项式中，计算所得相位取负，即为用于校正像差的校正相位。
所述的传播过程中经扫描模块控制后扫描荧光样品并激发出荧光信号，具体为：设置扫描模块进行实验样品的扫描时间与波前传感器的探测时间一致，入射光经扫描模块控制后扫描实验样品，在实验样品中被入射光照射到的部位激发出荧光信号，改变入射光照射到实验样品的不同局部位置，在不同局部位置激发出的荧光信号在波前传感器的探测时间内被一同接收并在波前传感器上形成光强分布图样，以此光强分布图样作为实品中被扫描区域的平均像差测量对象。
本发明的核心是利用马赫—曾德干涉仪通过移相干涉法测量某类实验样品的畸变相位分布，得到此类实验样品的像差先验信息。利用所得的像差先验信息生成一系列不同的相位分布，建立相位分布集合
Figure BDA0002136091040000061
并将相位分布集合中的相位分布依次加载到空间光调制器后，在波前传感器上得到对应的畸变光强分布图样，建立光强分布集合{Ii}；将所得的光强分布集合与所对应的相位分布集合作为数据对，输入机器学习模型中训练得到针对此类实验样品的像差测量的最优模型参数。此时将像差未知的此类实验样品形成的波前传感器畸变光强分布图样输入训练好的机器学习模型，均能快速地预测像差信息，进而计算得到校正相位，在保证像差探测速度的同时获得像差校正后的成像结果。
传统的基于波前传感器的直接波前探测方法中，以夏克-哈特曼波前传感器为例，需要先对获得的无畸变的理想波前传感器光斑点阵进行聚焦点的质心定位，然后对含有畸变波前信息的波前传感器光斑点阵以各个理想聚焦点为中心进行区域分割，并对比理想波前传感器光斑点阵计算质心偏移量，然后代入波前重建算法中，获得畸变波前的整体重建结果。本发明所提出的一种基于波前传感器的机器学习快速像差测量系统与方法中将上述过程简化，可将整张波前传感器点阵图作为网络输入，免除区域分割以及质心定位的过程，直接计算出整体畸变波前，大大减少了波前探测与重建的时间。
本发明的有益效果是：
在基于波前传感器的直接波前探测方法的基础上，本发明首次结合了波前传感器与机器学习两种工具，在利用机器学习模型的情况下，获得了像差测量快且测量误差小的结果。通过本发明方法能够高速而准确地测量像差，提升了波前传感器的像差测量速度，并解决了基于机器学习从点扩散函数中进行像差测量的方法的测量范围小及测量误差大的问题。本发明基于波前传感器进行直接波前探测，相比于已公开的基于机器学习从点扩散函数中进行像差测量的方法，本发明测量了针对某类实验样品的像差先验信息并以此构建了专用的机器学习训练模型，可以更加针对性的对某类实验样品进行快速的像差测量。除此之外，在同等的时间成本下，本发明扩大了对实验样品的像差测量范围，例如，将泽尼克多项式系数探测拓展至第36项，相比于已公开的基于机器学习从点扩散函数中进行像差测量的方法，获得了更好的校正效果。基于机器学习从点扩散函数中进行像差测量的方法无法应用于泽尼克多项式系数多至36项的像差探测应用中，而本发明中提出的像差探测方法能够克服此缺陷，在本发明的实施例中将对二者的差距进行进一步对比。
与基于机器学习从点扩散函数中进行像差测量的方法相比，本发明能够在一次测量中获得更多的像差信息，因此在进行单次测量的情况下，例如以泽尼克多项式来表征像差信息，本发明能够探测到更高阶的泽尼克多项式的系数，且根据像差测量结果计算所得的校正相位误差更小，具有更好的校正效果。因此本发明能够在宽场显微成像中呈现更为优异的像差测量与校正性能。
本发明的实施将为生物光学显微成像提供一种全新的光学像差测量算法，极大地提高了在生物组织宽场显微成像中的光学像差测量速度，提高了探测能力，为实时成像观测提供了新的技术支撑，在生物医学研究领域中具有重要的应用价值。
附图说明
图1为本发明系统的结构示意图。
图2为本发明方法流程图。
图3为实施例中利用波前传感器，通过机器学习建立的非线性映射关系得到的泽尼克多项式系数组合用于已知像差校正的结果。其中(a)为校正前的图样；(b)为校正后的图样；(c)为理想图样。
图4为实施例中利用申请号为201811314921.X专利中的方法与本发明中所述方法对相同的已知像差分别进行像差测量并校正后所得的点扩散函数的分布结果。其中(a)为畸变的点扩散函数；(b)为利用本发明中所述方法进行像差测量并进行校正后得到的点扩散函数；(c)为利用申请号为201811314921.X专利中的方法进行像差测量并进行校正后得到的点扩散函数。
图5为实施例中利用本发明中所述方法进行像差测量并校正后得到的成像结果。其中(a)为校正前的成像结果；(b)为校正后的成像结果；(c)为(a)、(b)中线段标识部分的剖面光强比较图，实线为校正前，虚线为校正后。
具体实施方式
以下基于波前传感器的机器学习快速像差测量实施例可以更详细的说明本发明，但不以任何形式限制本发明。
下面结合附图和实施例对本发明作进一步说明，其具体过程如下：
如图1所示，本发明具体实施的系统包括激光器1、光纤2、准直透镜3、二向色镜5、反射镜5、空间光调制器6、中继透镜一7、中继透镜二8、显微物镜9、滤光片11、平板分束器12、中继透镜三13、中继透镜四14、波前传感器15、成像透镜16和相机17。成像光路传播为：激光器1发射出激光光束依次经光纤2、准直透镜3之后入射到二向色镜5上发生反射，反射光到反射镜4上再次反射到空间光调制器6上，经空间光调制器6调制相位后的调制反射光依次经过中继透镜一7与中继透镜二8后入射到显微物镜9，透射过显微物镜9后在实验样品10内聚焦，激光聚焦于可受激发射荧光的实验样品10；荧光信号入射到显微物镜9沿入射光路逆反传播回到二向色镜5，即依次经过显微物镜9、中继透镜二8、中继透镜一7、空间光调制器6和反射镜4后回到二向色镜5，经过二向色镜5透射后，再经滤光片11入射到平板分束器12发生透射和反射，透射部分的荧光信号再依次经过中继透镜三13与中继透镜四14后被波前传感器15接收，获得畸变光强分布图样；反射部分的荧光信号再依次经过成像透镜16后被相机17接收，获得畸变的成像结果。成像光路传播过程中，入射光经扫描模块6扫描控制后在实验样品10中激发荧光信号。
利用本发明方法将待测光路情况下的畸变光强分布图样输入已训练的机器学习模型中，预测输出像差信息并计算获得校正相位，将校正相位加载到空间光调制器6上，入射的激光光束受到空间光调制器6调制，经扫描模块6扫描后，在实验样品10中激发出更强的荧光信号，被显微物镜9接收的荧光信号按入射光路逆反方向传播，荧光信号被空间光调制器6调制，校正了实验样品10所引入的像差，最终由相机17记录成像结果作为像差校正后的荧光成像结果。
整个方法的流程如图2所示，本发明实施例过程具体如下：
1)利用马赫—曾德(Mach-Zehnder)干涉仪，通过移相干涉法测量某类实验样品10的不同位置的畸变相位分布，获得针对此类实验样品的像差先验信息。
2)根据所得的像差先验信息，生成大量各不相同的相位分布
Figure BDA0002136091040000081
以构建用于机器学习训练的相位分布集合
Figure BDA0002136091040000082
Figure BDA0002136091040000083
由两部分组成，第一部分为随机相位分布集合，第二部分为特殊相位分布集合。
举例：系数组合分为两部分，第一部分为(单位：弧度)：第2-3项泽尼克系数范围为(-2,2)，第4-6项泽尼克系数范围为(-5,5)，第7-10项泽尼克系数范围为(-4,4)，第11-15项泽尼克系数范围为(-3.2,3.2)，第16-21项泽尼克系数范围为(-2.4,2.4)，第22-24项泽尼克系数范围为(-2.1,2.1)，第25-28项泽尼克系数范围为(-1.1,1.1)，第29-36项泽尼克系数范围为(-0.6,0.6)。在上述系数范围内，随机取值得到18432组系数组合。第二部分为特殊系数组合，对每一项系数ak等间隔取10个点，同时其他系数均置0，遍历每项系数进行相同的操作，得到360组特殊系数组合。以上共获得18792组泽尼克系数组合，用于生成训练集。
3)在系统的成像焦平面处放置无散射干扰的荧光样品，受激发射的荧光信号经过未加载相位的空间光调制器6并经成像光路传播后由波前传感器15记录无畸变的理想光强分布图样，以此进行系统光路校准。
4)针对步骤2)获得的每一相位分布，将相位分布加载到空间光调制器6上，入射光经过成像光路后，在波前传感器15上得到畸变的光强图样分布，记录其光强分布I，以构建用于机器学习训练的光强分布集合{Ii}，{Ii}由两部分组成，第一部分为随机相位分布对应的光强分布集合，第二部分为特殊相位分布对应的光强分布集合。
5)将步骤4)与步骤2)获得的各个畸变光强分布图样I与其各自对应的相位分布
Figure BDA0002136091040000091
作为机器学习训练的输入-输出数据对，机器学习模型具体采用AlexNet，训练后获得针对此类实验样品的像差测量的最优模型参数。
6)移除无散射干扰的荧光样品并放置像差未知的同类实验样品10，入射光经过未加载相位分布的空间光调制器6并经成像光路传播，入射至显微物镜9，光束聚焦后照射在实验样品10上激发出荧光信号，激发的荧光信号由显微物镜9接收，按原入射光路返回。荧光信号透射经过二向色镜4、滤光片11与平板分束器12，并由波前传感器15记录由实验样品10的像差所导致的畸变光强分布图样Ij。
7)将步骤6)获得的畸变光强分布图样Ij输入到步骤5)获得的已训练的机器学习模型中，可快速获得实验样品10的像差预测信息，通过计算可得到所需用于校正像差的校正相位。
8)利用步骤7)中得到的校正相位加载到空间光调制器6上，入射光经过空间光调制器6调制后经成像光路传播聚焦于实验样品10中，激发的荧光信号按原光路返回，透射经过二向色镜4与滤光片11，部分荧光信号经平板分束器12反射后被成像透镜16收集，在相机17处获得像差校正后的荧光宽场成像结果；同时，另一部分荧光信号透射经过平板分束器12后，在波前传感器15上形成像差校正后的光强分布图样。
本发明具体实施中，泽尼克多项式系数ak的项数能达到36，远高于所对比的现有技术中的项数15的情况。泽尼克多项式系数ak的项数表征了成像系统的探测能力，泽尼克多项式系数ak的项数越大，成像系统的探测能力越高。由此也说明了本发明有效地提高了成像探测能力。
对于现有技术的申请号为201811314921.X的专利，在采用泽尼克多项式系数ak的项数为36的情况下，实施结果具体如下：
图3为本发明中利用波前传感器得到的图像。在本实施例中，传感器为夏克-哈特曼波前传感器，但不限于此。加入无散射干扰的荧光样品时，获得无像差的理想波前传感器光强分布图样(图3(c))。在加载实验样品10后，获得由实验样品10引入的畸变光强分布图样I(图3(a))，此图样经归一化、大小调整等预处理后作为模型的输入，输出预测的泽尼克系数。利用泽尼克系数组合得到探测的波前畸变相位，将得到的补偿相位对应于灰度值后，加载于空间光调制器6上，得到校正后波前传感器处的光强分布图样(图3(b))，与理想波前传感器光强分布图样基本一致。
图4为利用基于波前传感器的机器学习快速像差测量方法得到的点扩散函数校正效果，且针对相同的畸变相位，与基于机器学习从点扩散函数中进行像差测量方法进行对比。其中(a)为畸变的点扩散函数；(b)为经过基于机器学习从点扩散函数中进行像差测量方法校正后的点扩散函数；(c)为经过基于波前传感器的机器学习像差测量方法校正后的点扩散函数。均方根(RMS)值常用于表征光学相位或波前的平整程度。针对一个RMS值为1.6314(单位：弧度)的像差进行测量时，基于机器学习从点扩散函数中进行像差测量的方法获得的校正相位加上原始像差之后的RMS值为0.4032，而本发明提出的基于传感器的机器学习快速像差测量方法获得的校正相位加上原始像差之后的RMS值为0.0254，校正之后相位的平整度大大提高，表明原始像差被有效地校正。当实验样品引入像差时，系统的点扩散函数峰值光强为0.9031(约化单位)，利用基于机器学习从点扩散函数中进行像差测量的方法得到的校正后的系统点扩散函数峰值光强为8.4413，而利用本发明所提出的方法获得的校正后的系统点扩散函数峰值光强为37.6824，说明本发明所提出的方法获得了更好的像差校正效果。
图5为实施例中利用基于传感器的机器学习快速像差测量方法得到的成像结果。其中(a)为校正前的成像结果；(b)为校正后的成像结果；(c)为(a)、(b)中线段标识部分的剖面光强比较图，实线为校正前，虚线为校正后。从剖面图(c)中可得知，峰值光强由校正前的7.2695×104(约化单位)提升至校正后的3.8452×105，约提升至原先的5.3倍，图像结构信息也更加明显。
现有的基于夏克—哈特曼传感器的传统波前探测方法，如模式法波前探测，波前探测以及重建的时间受限于对传感器图样的图像分割及质心定位过程。在模式法波前探测中，需要首先对无像差情形下的标准传感器图样进行标定，再计算引入畸变情形下各子区质心的偏移量，从而计算出畸变相位的前N项泽尼克系数。
在本实施例中，对同一波前畸变，用前36项泽尼克系数进行预测。传统模式法系数预测用时T1＝0.27s，本发明所提出的方法耗时为T2＝1.227ms，测量速度为传统法的220倍。本发明所提出的方法显著提高了像差测量的速度，在生物医学研究中的实时成像领域有一定的应用前景。

Claims (5)

1.一种基于波前传感器的机器学习快速像差测量方法，其特征在于采用机器学习快速像差测量系统，所述的机器学习快速像差测量系统包括激光器(1)、光纤(2)、准直透镜(3)、二向色镜(4)、反射镜(5)、空间光调制器(6)、中继透镜一(7)、中继透镜二(8)、显微物镜(9)、滤光片(11)、平板分束器(12)、中继透镜三(13)、中继透镜四(14)、波前传感器(15)、成像透镜(16)和相机(17)；成像光路传播为：激光器(1)发射出激光光束依次经光纤(2)、准直透镜(3)之后入射到二向色镜(4)上发生反射，反射光到反射镜(5)上再次反射到空间光调制器(6)上，经空间光调制器(6)的调制反射光依次经过中继透镜一(7)与中继透镜二(8)后入射到显微物镜(9)，透射过显微物镜(9)后在实验样品(10)内聚焦；荧光信号入射到显微物镜(9)沿入射光路逆反传播回到二向色镜(4)，经过二向色镜(4)透射后，再经滤光片(11)入射到平板分束器(12)发生透射和反射，透射部分的荧光信号再依次经过中继透镜三(13)与中继透镜四(14)后被波前传感器(15)接收；反射部分的荧光信号再依次经过成像透镜(16)后被相机(17)接收；
方法具体包含以下步骤：
1)在马赫—曾德(Mach-Zehnder)干涉仪中，利用马赫—曾德(Mach-Zehnder)干涉仪通过移相干涉法测量一类实验样品的不同局部位置的畸变相位分布，获得此类实验样品的像差先验信息；
2)根据像差先验信息生成各不相同的相位分布
Figure FDA0002519747860000011
再构建用于机器学习训练的相位分布集合
Figure FDA0002519747860000012
相位分布集合
Figure FDA0002519747860000013
由两部分组成，第一部分为随机相位分布集合，第二部分为特殊相位分布集合，其中i＝1,2,3,…,n；
3)在自适应光学扫描显微成像系统中，在显微物镜(9)的成像焦平面处放置无散射干扰的荧光样品，激光器(1)发射出激光光束经未加载相位的空间光调制器(6)的光路传播后由波前传感器采集获得无畸变光强分布图样，根据无畸变光强分布图样对进行自适应光学扫描显微成像系统的光路校准；
4)在显微物镜(9)的成像焦平面处依然放置无散射干扰的荧光样品，将步骤2)获得的相位分布集合
Figure FDA0002519747860000014
中的每一相位分布分别依次加载到空间光调制器(6)上，入射光经过成像光路传播后在波前传感器(15)上采集获得训练畸变光强分布图样I，传播过程中经扫描模块控制扫描照射到荧光样品并激发出荧光信号，荧光信号受到空间光调制器(6)上加载的相位分布所引入的像差干扰；
由不同相位分布对应获得的各个训练畸变光强分布图样I组建构成用于机器学习训练的光强分布集合{Ii}，光强分布集合{Ii}由两部分组成，第一部分为随机相位分布对应的光强分布集合，第二部分为特殊相位分布对应的光强分布集合,其中i＝1,2,3,…,n，i表示相位分布集合
Figure FDA0002519747860000021
中的相位分布的序数，n表示相位分布集合
Figure FDA0002519747860000022
中的相位分布的总数；
5)将步骤4)与步骤2)获得的各个训练畸变光强分布图样I与其各自对应的相位分布
Figure FDA0002519747860000023
作为机器学习训练的输入-输出数据对，输入到机器学习模型中进行训练获得针对此类实验样品的像差测量的最优模型参数，完成机器学习模型的训练；
6)在显微物镜(9)的成像焦平面处移除无散射干扰的荧光样品并放置像差未知待测的同类实验样品(10)，入射光经过未加载相位分布的空间光调制器(6)的成像光路传播后在波前传感器(15)上采集获得待测畸变光强分布图样I’，传播过程中经扫描模块控制扫描照射到实验样品(10)并激发出荧光信号，荧光信号受到空间光调制器(6)上加载的相位分布所引入的像差干扰；
7)将步骤6)获得的畸变光强分布图样Ij输入到步骤5)获得的已训练的机器学习模型中，预测输出像差预测信息，通过计算转换得到所需用于校正像差的校正相位；
8)在显微物镜(9)的成像焦平面处放置像差未知待测的同类实验样品(10)不变，利用步骤7)中得到的校正相位加载到空间光调制器(6)上，入射光经过加载相位分布的空间光调制器(6)的成像光路传播后在相机(17)上获得像差校正后的待测实验样品的成像结果。
2.根据权利要求1所述的一种基于波前传感器的机器学习快速像差测量方法，其特征在于：
所述步骤1)中，像差先验信息具体获得为：将畸变相位分布通过相位表征函数进行分解，通过所用的相位表征函数对各项系数的范围进行标定，以标定获得的各项系数的范围作为像差先验信息。
3.根据权利要求1所述的一种基于波前传感器的机器学习快速像差测量方法，其特征在于：
所述步骤2)中的相位分布集合
Figure FDA0002519747860000024
通过泽尼克多项式处理获得，具体依据步骤1)中所述的像差先验信息，每一项泽尼克多项式的系数在其预先标定的范围内进行随机取值，所得的系数组通过泽尼克多项式计算得到随机相位分布；
所述的随机相位分布集合构建的具体步骤为：
先对第一项泽尼克多项式系数a1在标定的范围内进行随机取值，在第一项泽尼克多项式系数a1每一取值下对第二项泽尼克多项式系数a2在对应标定的范围内随机取值，再在前两项泽尼克多项式系数a1，a2的每一组取值下对第三项泽尼克多项式系数a3在对应标定的范围内随机取值，以此方式完成对所有项泽尼克多项式系数ak的随机取值，以各项泽尼克多项式系数ak的不同取值组合作为一个系数组，从而获得一系列各不相同的相位分布，其中k＝1,2,3,…,36；
所述的特殊相位分布集合构建的具体步骤为：
对每一项泽尼克多项式系数ak在标定的范围内等间隔取10个不同的数值，同时其他项的泽尼克多项式系数保持为0，以此方式完成对所有项泽尼克多项式系数ak的遍历，以等间隔取一个数值下各项泽尼克多项式系数ak的取值组合作为一个系数组，从而获得一系列各不相同的相位分布，其中k＝1,2,3,…,36；
最后将两个部分获得的相位分布合并连接获得相位分布集合
Figure FDA0002519747860000031
4.根据权利要求1所述的一种基于波前传感器的机器学习快速像差测量方法，其特征在于：所述步骤5)中，机器学习模型具体采用AlexNet，针对所测实验样品的像差测量的最优模型参数包括机器学习模型的卷积核尺寸、目标函数最小化的参数、训练的迭代次数以及训练的数据批次大小。
5.根据权利要求1所述的一种基于波前传感器的机器学习快速像差测量方法，其特征在于：所述的传播过程中经扫描模块控制后扫描荧光样品并激发出荧光信号，具体为：设置扫描模块进行实验样品(10)的扫描时间与波前传感器的探测时间一致，入射光经扫描模块控制后扫描实验样品(10)，在实验样品(10)中被入射光照射到的部位激发出荧光信号，改变入射光照射到实验样品(10)的不同局部位置，在不同局部位置激发出的荧光信号在波前传感器(15)的探测时间内被一同接收并在波前传感器(15)上形成光强分布图样。
CN201910653527.7A 2019-07-19 2019-07-19 基于波前传感器的机器学习快速像差测量系统与方法 Active CN110346340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910653527.7A CN110346340B (zh) 2019-07-19 2019-07-19 基于波前传感器的机器学习快速像差测量系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910653527.7A CN110346340B (zh) 2019-07-19 2019-07-19 基于波前传感器的机器学习快速像差测量系统与方法

Publications (2)

Publication Number Publication Date
CN110346340A CN110346340A (zh) 2019-10-18
CN110346340B true CN110346340B (zh) 2020-08-14

Family

ID=68179285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910653527.7A Active CN110346340B (zh) 2019-07-19 2019-07-19 基于波前传感器的机器学习快速像差测量系统与方法

Country Status (1)

Country Link
CN (1) CN110346340B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111561877B (zh) * 2020-04-24 2021-08-13 西安交通大学 一种基于点衍射干涉仪的可变分辨率相位解包裹方法
CN111579097B (zh) * 2020-05-21 2021-05-04 浙江大学 基于神经网络的高精度光学散射补偿方法
CN111812836A (zh) * 2020-07-21 2020-10-23 中国科学院长春光学精密机械与物理研究所 大口径大视场相机的标校装调方法、装置、设备及介质
CN114488518B (zh) * 2020-10-23 2024-01-05 中国人民解放军国防科技大学 基于机器学习的自适应光学波前校正方法
DE102020213713A1 (de) 2020-11-01 2022-05-05 Carl Zeiss Microscopy Gmbh Vorrichtung und Verfahren zur Erfassung von Bilddaten
DE102020213715A1 (de) 2020-11-01 2022-05-05 Carl Zeiss Microscopy Gmbh Vorrichtung und Verfahren zur schnellen dreidimensionalen Erfassung von Bilddaten
CN113252292A (zh) * 2021-05-10 2021-08-13 西北工业大学 一种基于卷积神经网络的复杂流场测量方法与系统
CN114018789A (zh) * 2021-10-08 2022-02-08 武汉大学 基于成像流式细胞检测和机器学习的急性白血病分型方法
CN114186664B (zh) * 2021-12-10 2023-09-19 中国科学院光电技术研究所 一种基于神经网络的模式波前复原方法
CN114460049B (zh) * 2021-12-14 2023-07-04 中国科学院深圳先进技术研究院 一种时分多脉冲间接像差测量方法
CN117572632B (zh) * 2024-01-17 2024-04-02 中国科学院长春光学精密机械与物理研究所 一种适用于金字塔波前传感器的离散调制方法、系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104583845A (zh) * 2012-08-16 2015-04-29 西铁城控股株式会社 像差校正光学单元及激光显微镜
CN105258800A (zh) * 2015-11-02 2016-01-20 杭州南车城市轨道交通车辆有限公司 便携式三通道近深紫外拉曼光谱仪
CN105264346A (zh) * 2013-06-06 2016-01-20 浜松光子学株式会社 自适应光学系统及其角度偏离检测方法和成像倍率检测方法
CN105263396A (zh) * 2013-06-06 2016-01-20 浜松光子学株式会社 自适应光学系统的对应关系确定方法、自适应光学系统和存储自适应光学系统用程序的记录介质
CN106290284A (zh) * 2016-09-19 2017-01-04 浙江大学 结构光照明的双光子荧光显微系统与方法
CN107636447A (zh) * 2015-03-31 2018-01-26 哥廷根激光实验室 用于多维高分辨率地成像样品中的结构或颗粒的路径的方法和扫描荧光显微镜
CN108398774A (zh) * 2018-01-18 2018-08-14 中国科学院广州生物医药与健康研究院 一种光片显微镜
CN109031654A (zh) * 2018-09-11 2018-12-18 安徽农业大学 一种基于卷积神经网络的自适应光学校正方法及系统
CN109426818A (zh) * 2017-09-01 2019-03-05 威斯康星校友研究基金会 用于识别视线外对象的装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0812712D0 (en) * 2008-07-10 2008-08-20 Imp Innovations Ltd Improved endoscope
US8529447B2 (en) * 2011-05-13 2013-09-10 Fujitsu Limited Creating a personalized stress profile using renal doppler sonography
US9360428B2 (en) * 2013-03-14 2016-06-07 The Regents Of The University Of California Interferometric focusing of guide-stars for direct wavefront sensing
US9500846B2 (en) * 2014-03-17 2016-11-22 Howard Hughes Medical Institute Rapid adaptive optical microscopy over large multicellular volumes

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104583845A (zh) * 2012-08-16 2015-04-29 西铁城控股株式会社 像差校正光学单元及激光显微镜
CN105264346A (zh) * 2013-06-06 2016-01-20 浜松光子学株式会社 自适应光学系统及其角度偏离检测方法和成像倍率检测方法
CN105263396A (zh) * 2013-06-06 2016-01-20 浜松光子学株式会社 自适应光学系统的对应关系确定方法、自适应光学系统和存储自适应光学系统用程序的记录介质
CN107636447A (zh) * 2015-03-31 2018-01-26 哥廷根激光实验室 用于多维高分辨率地成像样品中的结构或颗粒的路径的方法和扫描荧光显微镜
CN105258800A (zh) * 2015-11-02 2016-01-20 杭州南车城市轨道交通车辆有限公司 便携式三通道近深紫外拉曼光谱仪
CN106290284A (zh) * 2016-09-19 2017-01-04 浙江大学 结构光照明的双光子荧光显微系统与方法
CN109426818A (zh) * 2017-09-01 2019-03-05 威斯康星校友研究基金会 用于识别视线外对象的装置
CN108398774A (zh) * 2018-01-18 2018-08-14 中国科学院广州生物医药与健康研究院 一种光片显微镜
CN109031654A (zh) * 2018-09-11 2018-12-18 安徽农业大学 一种基于卷积神经网络的自适应光学校正方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Deep learning wavefront sensing;Yohei Nishizaki 等;《Optics EXPRESS》;20190104;第27卷(第1期);第240-251页 *
自适应光学技术在深层动态荧光显微成像中的应用和发展;毛珩 等;《红外与激光工程》;20160630;第45卷(第6期);第0602001-1-0602001-7页 *

Also Published As

Publication number Publication date
CN110346340A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
CN110346340B (zh) 基于波前传感器的机器学习快速像差测量系统与方法
CN110389119B (zh) 基于机器学习的快速自适应光学扫描显微成像系统与方法
CN109528161B (zh) 一种基于机器学习的高速高分辨扫描显微成像系统与方法
JP4236123B1 (ja) 三次元画像取得装置
CN111626997B (zh) 基于深度学习的高速单图直接探测光学畸变相位的方法
CN108562547B (zh) 激光晶体热应力双折射系数测量装置及其方法
JP7449629B2 (ja) 光学顕微鏡および顕微鏡法
CN104320598A (zh) 一种基于ccd阵列像素响应函数频域标定的无像差图像重构方法
JP2012190021A (ja) レーザ走査顕微鏡およびその動作方法
JP6850684B2 (ja) 光計測装置
US20220381695A1 (en) Focus scan type imaging device for imaging target object in sample that induces aberration
CN111627085B (zh) 一种波前分视场曲率传感方法和装置、自适应oct系统
CN100562723C (zh) 正支共焦非稳腔腔内像差探测系统
US20230098493A1 (en) Method and illumination apparatus of the adaptive optics in reflection microscopy
CN107132646A (zh) 基于干涉增强的快速高效自适应光学成像补偿方法与系统
CN102721530A (zh) 一种红外焦平面阵列调制传递函数的双刀口扫描测量方法及其装置
CN110160663B (zh) 一种高分辨率的近场波前测量装置和测量方法
Ralston et al. Phase stability technique for inverse scattering in optical coherence tomography
CN115131201A (zh) 基于叠层重建的远场漫反射合成孔径超分辨成像方法
CN115356839A (zh) 贝塞尔双光子显微镜照明光路生物组织像差探测方法
CN112540527B (zh) 一种同步采集双离焦衍射图样的快速收敛叠层成像装置
CN109916854B (zh) 基于相干门虚拟夏克-哈特曼波前探测技术的ao-oct成像系统与方法
CN205514536U (zh) 一种频域光学相干层析装置
CN112129715A (zh) 一种基于高光谱的叶片无损检测装置
JP2022044113A (ja) 収差推定方法、収差推定装置、プログラム、及び記憶媒体

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant