CN113316779A - 逐次逼近计算方法、逐次逼近计算装置以及程序 - Google Patents

逐次逼近计算方法、逐次逼近计算装置以及程序 Download PDF

Info

Publication number
CN113316779A
CN113316779A CN201980089772.8A CN201980089772A CN113316779A CN 113316779 A CN113316779 A CN 113316779A CN 201980089772 A CN201980089772 A CN 201980089772A CN 113316779 A CN113316779 A CN 113316779A
Authority
CN
China
Prior art keywords
successive approximation
approximation calculation
phase
data
interference fringe
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.)
Withdrawn
Application number
CN201980089772.8A
Other languages
English (en)
Inventor
田川雄介
野田阳
高桥涉
小林哲哉
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.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
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 Shimadzu Corp filed Critical Shimadzu Corp
Publication of CN113316779A publication Critical patent/CN113316779A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/04—Processes or apparatus for producing holograms
    • G03H1/08—Synthesising holograms, i.e. holograms synthesized from objects or objects from holograms
    • G03H1/0808—Methods of numerical synthesis, e.g. coherent ray tracing [CRT], diffraction specific
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/04—Processes or apparatus for producing holograms
    • G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/04—Processes or apparatus for producing holograms
    • G03H1/0443—Digital holography, i.e. recording holograms with digital recording means
    • G03H2001/0447—In-line recording arrangement
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/04—Processes or apparatus for producing holograms
    • G03H1/08—Synthesising holograms, i.e. holograms synthesized from objects or objects from holograms
    • G03H1/0808—Methods of numerical synthesis, e.g. coherent ray tracing [CRT], diffraction specific
    • G03H2001/0816—Iterative algorithms
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H1/00—Holographic processes or apparatus using light, infrared or ultraviolet waves for obtaining holograms or for obtaining an image from them; Details peculiar thereto
    • G03H1/26—Processes or apparatus specially adapted to produce multiple sub- holograms or to obtain images from them, e.g. multicolour technique
    • G03H1/2645—Multiplexing processes, e.g. aperture, shift, or wavefront multiplexing
    • G03H2001/266—Wavelength multiplexing
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03H—HOLOGRAPHIC PROCESSES OR APPARATUS
    • G03H5/00—Holographic processes or apparatus using particles or using waves other than those covered by groups G03H1/00 or G03H3/00 for obtaining holograms; Processes or apparatus for obtaining an optical image from them
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Holo Graphy (AREA)
  • Image Analysis (AREA)
  • Complex Calculations (AREA)

Abstract

提供能够将逐次逼近计算法中使用的解的初始值设为接近真值的值的逐次逼近计算方法等。计算机通过使用由数字全息装置测定出的干涉条纹强度数据(10)等以及估计出的物体像的相位的初始值即干涉条纹相位初始值数据(20)进行逐次逼近计算，来计算进行相位恢复所得到的物体像的干涉条纹相位估计值数据(30)。干涉条纹相位初始值数据(20)是由初始相位估计器(300)计算出的。初始相位估计器(300)是通过使用学习用的干涉条纹强度数据等实施机器学习而构建出的。计算机通过使用通过相位恢复所得到的物体像的干涉条纹相位估计值数据(30)以及用作初始相位估计器(300)的输入数据的干涉条纹强度数据(10)进行光波传输计算，来获取重构出的重构强度数据(40)和重构相位数据(50)。

Description

逐次逼近计算方法、逐次逼近计算装置以及程序
技术领域
本发明涉及一种逐次逼近计算方法、逐次逼近计算装置以及程序。
背景技术
以往已知如下一种逐次逼近计算法：在无法通过解析求出数值解的问题中，在求解模型的关系式时，首先设定一个任意的初始值(近似解)，接着使用该初始值求出更高精度的解，逐次重复进行该计算，由此收敛为一个解。
上述的逐次逼近计算法例如被广泛地利用于专利文献1中公开的PET等核医学用数据的断层图像重构、专利文献2中公开的放射线断层摄影装置的放射线的散射成分估计、专利文献3中公开的断层图像处理中的缺失数据的补偿、专利文献4中公开的X射线CT装置中的重构图像的伪影(artifact)降低等领域。
现有技术文献
专利文献
专利文献1：日本专利第5263402号公报
专利文献2：日本专利第6123652号公报
专利文献3：日本专利第6206501号公报
专利文献4：国际公开第2017/029702号
发明内容
发明要解决的问题
另外，上述的逐次逼近计算法中使用的解的初始值尽可能地接近真值的话，可以减少收敛到错误的局部解的情形，并且收敛解所需要的迭代计算的次数也可以较少。然而，以往，能够与作为对象的问题相应地取得各种解，因此存在难以设定适当的初始值这样的问题。
因此，本发明用于解决上述问题，其目的在于提供一种能够将逐次逼近计算法中使用的解的初始值设为接近真值的值的逐次逼近计算方法、逐次逼近计算装置以及程序。
用于解决问题的方案
本发明的例示的逐次逼近计算方法包括进行逐次逼近计算以使评价函数最小或最大的工序，在所述工序中，使用以所述逐次逼近计算中使用的规定的物理量为输入且以所述逐次逼近计算中使用的一个或多个初始值为输出的学习完成模型。
另外，本发明的例示的逐次逼近计算装置具备进行逐次逼近计算以使评价函数最小或最大的运算部，所述运算部具有以所述逐次逼近计算中使用的规定的物理量为输入且以所述逐次逼近计算中使用的一个或多个初始值为输出的学习完成模型。
另外，本发明的例示的程序使计算机执行以下功能：进行逐次逼近计算以使评价函数最小或最大，在该逐次逼近计算中，使用以该逐次逼近计算中使用的规定的物理量为输入且以所述逐次逼近计算中使用的一个或多个初始值为输出的学习完成模型。
另外，本发明的例示的存储介质是计算机可读取的非暂时性的存储介质，存储有所述例示的程序。
发明的效果
根据本发明，作为逐次逼近计算的初始值，能够设定接近真值的值，因此能够避免收敛到错误的局部解，并且能够削减直到收敛到解为止所需要的迭代计算的次数。
附图说明
图1是示出本发明的一个实施方式所涉及的数字全息装置的功能结构的一例的框图。
图2是示出在进行逐次逼近计算等的情况下使用的计算机的功能结构的一例的框图。
图3是用于说明生成学习用数据的学习用数据生成阶段的概要图。
图4是示出生成学习用数据的情况下的计算机的动作的一例的流程图。
图5是示出在制作初始相位估计器时使用的计算机的功能结构的一例的框图。
图6是用于说明制作初始相位估计器的学习阶段的概要图。
图7是用于说明卷积神经网络的图。
图8是用于说明进行图像的重构的实施阶段的概要图。
具体实施方式
下面，参照添附附图来详细地说明本发明的优选的一个实施方式。在本实施方式中，按下面的顺序进行说明。
(1)生成学习用数据的学习用数据生成阶段
(2)通过使用学习用数据进行机器学习来制作初始相位估计器的学习阶段
(3)通过使用初始相位估计器进行的物体像的相位恢复来进行图像的重构的实施阶段
<(1)学习用数据生成阶段>
首先，说明生成学习用数据的学习用数据生成阶段。在(1)的学习用数据生成阶段中，生成在为了构建后述的初始相位估计器而进行机器学习时使用的学习用数据。在本实施方式中，学习用数据例如包含训练数据(teaching data)，表示作为例题的干涉条纹强度数据和作为答案的通过逐次逼近计算估计出的相位数据的大量的数据集。
[数字全息装置100的结构例]
图1示出拍摄物体像110A的全息图的数字全息装置100的结构的一例。
如图1所示，数字全息装置100是显微镜，具备j个激光二极管(LD)101(1)～101(j)、开关元件102、照射部103、检测器104以及接口(I/F)105。
LD 101(1)～101(j)均是使相干光振荡并射出的光源，经由光纤等线缆来与开关元件102连接。LD 101(1)～101(j)的各振荡波长λ(1)～λ(j)例如被设定为依次变长。
开关元件102基于来自经由网络连接的后述的计算机200A等的指示，来切换用作光源的LD 101(1)～101(j)。
照射部103基于被开关元件102切换到的LD 101(1)～101(j)，来向物体像110A等射出照明光L。物体像110A例如是细胞等。
检测器104例如由CCD图像传感器构成，拍摄通过从照射部103射出的照明光L产生的干涉条纹(全息图)，获取物体像110A的干涉条纹强度数据10。该干涉条纹强度数据10是将因物体像110A而发生了衍射的光波设为物体波(该图中的物体像110A的右侧的圆弧型的线)、将未发生衍射的光波(包含透射光)设为参照波(物体像110A的右侧的线段)并记录通过这些物体波和参照波产生的干涉条纹而得到的数据。
[计算机200A的结构例]
图2示出作为进行逐次逼近计算和光波传输计算的逐次逼近计算装置的一例的计算机200A的结构的一例。
如图2所示，计算机200A构成运算部的一例，具备对装置整体的动作进行控制的CPU(Central Processing Unit：中央控制单元)210。包括RAM(Random Access Memory：随机存取存储器)等易失性存储装置的存储器212、包括LCD(Liquid Crystal Display：液晶显示器)等的监视器214、包括键盘、鼠标等的输入部216、接口218以及存储部220分别连接于CPU 210。
接口218被构成为能够与数字全息装置100之间进行通信，向数字全息装置100发送拍摄全息图的指示，并且接收来自数字全息装置100的摄像数据。计算机200A与数字全息装置100可以通过线缆等直接连接，也可以通过无线连接。另外，也可以设为能够通过使用USB(Universal Serial Bus：通用串行总线)等半导体存储器的辅助存储装置来将数据进行移动的结构。
存储部220由ROM(Read only Memory：只读存储器)、快闪存储器、EPROM(ErasableProgrammable ROM：可擦可编程只读存储器)、HDD(Hard Disc Drive：硬盘驱动器)、SSD(Solid State Drive：固态硬盘)等非易失性存储装置构成。在存储部220中保存有OS(Operating System：操作系统)229和摄像控制/数据解析程序221。
摄像控制/数据解析程序221用于执行摄像指示部232、全息图获取部233、相位信息计算部234、图像生成部235、显示控制部236以及全息图存储部237等的功能。摄像控制/数据解析程序221具有以下功能：使用由数字全息装置100拍摄到的全息图进行逐次逼近计算等处理，将物体像110A的像再现而在监视器214的画面上显示为图像。另外，摄像控制/数据解析程序221具有对由数字全息装置100进行的全息图拍摄进行控制的功能。
[学习用数据生成阶段的概要]
图3是用于说明生成学习用数据的生成阶段的概要的图。数字全息装置100使波长λ(1)～λ(j)的不同的光中的各种光从光源向物体像110A照射，获取图案不同的干涉条纹强度数据10a(1)～10a(j)来作为一个数据组G(1)，再通过同样的方法获取N个数据组G(N)。N为正整数。
接着，计算机200A使用获取到的干涉条纹强度的数据组G(1)～G(N)和预先设定的物体像110A的相位的初始值即干涉条纹相位初始值数据20a来进行逐次逼近计算。物体像110A的相位的初始值能够设定为任意的值。在本实施方式中，例如，作为相位的初始值，将全部的像素值设定为0。另外，也可以随机地设定像素值。计算机200A通过进行逐次逼近计算，来针对每个数据组G(1)～G(N)计算进行相位恢复所得到的干涉条纹相位估计值数据30a(1)～30a(j)。
在本实施方式中，将通过实际的测定而获取到的各波长λ时的干涉条纹强度数据10a(1)～10a(j)以及通过逐次逼近计算所得到的干涉条纹相位估计值数据30a(1)～30a(j)用作在为了构建初始相位估计器300而进行机器学习时的学习用数据。也就是说，在本实施方式中，使用通过将相位初始值设为像素值0等进行逐次计算所得到的相位信息来作为初始相位估计器300的学习用数据。为了准备接近真值的相位信息，期望在学习用数据生成阶段进行足够的迭代次数的逐次运算以使评价函数变小。
[逐次逼近计算的实施例]
图4是示出通过逐次逼近计算来计算物体像110A的相位的情况下的计算机200A的动作的一例的流程图。下面，参照图1～图3等来进行说明。
在步骤S100中，计算机200A获取由数字全息装置100拍摄到的物体像110A的干涉条纹强度数据10(1)。计算机200A的CPU 210将接收到的干涉条纹强度数据10(1)保存到全息图存储部237中。通过这样，计算机200A针对各波长λ依次进行上述的全息图摄像处理，获取与所有的光波长对应的干涉条纹强度数据10(1)～10(j)并保存到全息图存储部237中。
在步骤S101中，CPU 210将全息图存储部237中保存的多个干涉条纹强度数据10(1)～10(j)变换为振幅。由于全息图是强度值的分布，因此以强度信息的状态无法应用于在后述的光波传输计算中使用的傅立叶变换。因此，在步骤S101中将各强度值变换为振幅值。通过计算各像素值的平方根来进行向振幅的变换。
在步骤S102中，CPU 210设为j＝1、a＝1、n＝1，来设定检测面处的物体像110A的相位的初始值即干涉条纹相位初始值数据20a。在本实施方式中，使用作为学习完成模型的初始相位估计器300估计、设定物体像110A的相位的初始值。此外，j为作为照明光L的光源的LD 101的标识符(J1≤j≤J2)，a为取1或-1的值的方向值，n(1≤n)为运算的迭代次数。
在步骤S103中，CPU 210更新波长λ(j)下的物体像110A的振幅。具体地说，将在步骤S101中通过从全息图的强度值进行变换所求出的振幅代入到下述所示的式(1)中。
在步骤S104中，CPU 210使用更新后的物体像110A的振幅(干涉条纹强度数据10(j))和估计出的干涉条纹相位初始值数据20a，来基于下述所示的式(1)计算向物体面的反向传输。
[数1]
Figure BDA0003172480710000071
在上述式(1)中，E(x，y，0)为物体面上的复振幅分布，E(x，y，z)为检测面上的复振幅分布，z相当于传输距离。k为波数。
在步骤S105中，CPU 210判定j+a的值是否收敛于J1以上且J2以下的范围。CPU 210在判定为j+a的值处于J1以上且J2以下的范围外的情况下，进入步骤S106。在步骤S106中，CPU 210使a的正负反转并进入步骤S107。
另一方面，在步骤S105中，CPU 210在判定为j+a的值收敛于J1以上且J2以下的范围的情况下，进入步骤S107。
在步骤S107中，CPU 210根据a是正还是负来使j递增或递减。
在步骤S108中，CPU 210更新波长λ(j)下的物体像110A的相位。具体地说，在通过步骤S104计算出的物体面上的复波前上，通过计算来将相位变换为下一波长的相位。此时，振幅不更新。
在步骤S109中，CPU 210在仅将物体像110A的相位变换为下一波长的状态下，基于下述所示的式(2)的光波传输计算来计算向检测面的传输。
[数2]
Figure BDA0003172480710000072
在上述式(2)中，E(x，y，0)为物体面上的复振幅分布，E(x，y，z)为检测面上的复振幅分布，z相当于传输距离。k为波数。
在步骤S110中，CPU 210判定通过光波传输计算所计算出的物体像110A的振幅Uj与作为波长λ(j)的实测值的基于干涉条纹强度数据10(j)的强度值的振幅Ij的差分(即误差)的总和是否小于阈值ε、也就是说差分是否为最小值。此外，本判定步骤是评价函数的一例。CPU 210在判定为差分的总和不小于阈值ε的情况下，进入步骤S111。
在步骤S111中，CPU 210使n递增，并返回到步骤S103，重复执行上述的处理。
另一方面，在步骤S110中，在差分的总和小于阈值ε的情况下，CPU 210判定为充分恢复了物体像110A的相位、即成为了接近真值的值，从而结束相位信息计算处理。通过这样，进行逐次逼近计算以使评价函数最小并获取干涉条纹相位估计值数据30。
<(2)制作初始相位估计器300的学习阶段>
接着，对制作初始相位估计器300的学习阶段进行说明。在(2)的学习阶段中，通过机器学习来构建相当于图像变换函数的学习完成模型，该图像变换函数用于近似根据物体像的干涉条纹强度数据来计算干涉条纹相位估计值数据的逐次运算。下面详细地进行说明。
[计算机400的结构例]
图5是示出制作初始相位估计器300所使用的计算机400的功能结构的一例的框图。作为计算机400，例如能够使用安装有规定的软件(程序)的个人计算机、工作站、或经由通信线路来与这些计算机等连接的高性能的计算机系统。
如图5所示，计算机400是运算部的一例，具备CPU 420、存储部422、监视器424、输入部426、接口428以及模型制作部430。CPU 420、存储部422、监视器424、输入部426、接口428以及模型制作部430分别经由总线450相互连接。
CPU 420通过执行ROM等存储器中存储的程序、模型制作部430的程序等，来控制装置整体的动作，并且实施用于制作学习完成模型的机器学习等。
模型制作部430进行机器学习，来构建用于近似根据物体像的干涉条纹强度数据来计算干涉条纹相位估计值数据的逐次运算的学习完成模型。在本实施方式中，作为机器学习的方法，使用深度学习，使用深度学习中广泛利用的卷积神经网络(CNN)。卷积神经网络是能够近似任意的图像变换函数的方法之一。此外，由模型制作部430制作出的学习完成模型被保存到例如图2所示的计算机200B中。
存储部422由ROM(Read only Memory：只读存储器)、快闪存储器、EPROM(ErasableProgrammable ROM：可擦可编程只读存储器)、HDD(Hard Disc Drive：硬盘驱动器)、SSD(Solid State Drive：固态硬盘)等非易失性存储装置构成。
监视器424例如是由液晶显示器等构成的监视器。输入部426例如由键盘、鼠标、触摸面板等构成，进行与机器学习的实施有关的各种操作。接口428由LAN、WAN、USB等构成，例如与数字全息装置100、计算机200B之间进行双向通信。
图6是用于说明制作初始相位估计器300的学习阶段的概要的图。图7示出在制作初始相位估计器300时使用的卷积神经网络350和反卷积神经网络360的概要结构的一例。
如图6和图7所示，在卷积神经网络350等的神经网络耦合权重参数的学习中使用图3中所说明的学习用数据。具体地说，在神经网络的输入中使用作为物理量的干涉条纹强度数据10a(1)～10a(j)，在神经网络的输出中使用干涉条纹相位估计值数据30a(1)～30a(j)。干涉条纹相位估计值数据30a(1)～30a(j)是表示在物体像110A的相位下接近真值的值的图像数据。此外，也可以设为在神经网络的输入中使用干涉条纹强度数据10a(1)～10a(j)中的一部分波长的强度数据的卷积神经网络。
卷积神经网络350具有多个卷积层C。在图7中，说明构成3层的卷积层C的例子，但是并不限定于此。卷积层C通过对被输入的干涉条纹强度数据10a(1)～10a(j)作用滤波器来进行卷积，提取图像内的局部特征来输出特征量图。滤波器具有g×g个像素等要素，具有权重、偏置这样的参数。此外，g为正整数。
反卷积神经网络360具有反卷积层DC。在图7中，说明构成1层的反卷积层DC的例子，但是并不限定于此。反卷积层DC通过对由卷积层C变换得到的变换图像进行卷积那样的运算，来将变换图像放大为例如与作为输入图像的干涉条纹强度数据10a(1)等相同的尺寸。反卷积层DC中的各滤波器具有权重、偏置这样的参数。
通过这样，在卷积神经网络350中，使用在学习用数据生成阶段所生成的学习用数据来学习神经网络耦合权重参数，从而制作相当于图像变换函数的学习完成模型，该图像变换函数用于近似根据物体像的干涉条纹强度数据来计算干涉条纹相位估计值数据的逐次运算。制作出的学习完成模型被保存、更新到图2所示的计算机200B的用虚线表示的学习完成模型存储部238，作为初始相位估计器300来利用。
<(3)通过相位恢复进行图像的重构的实施阶段>
接着，对基于物体像的相位恢复进行图像的重构的实施阶段进行说明。在(3)的实施阶段中，通过将上述(2)中制作出的学习完成模型用作初始相位估计器300，来针对物体像的新的干涉条纹强度数据估计对于逐次逼近运算的初始值而言适当的相位信息。下面详细地进行说明。
图8示出通过使用本实施方式所涉及的逐次逼近计算法进行的物体像的相位恢复来重构图像的重构方法的概要的一例。在实施阶段，对如下情况进行说明：使用图1所示的数字全息装置100拍摄新数据的物体像110B，接着，使用图2所示的计算机200B执行通过物体像110B的相位恢复来进行图像的重构的程序。此外，拍摄物体像110B的装置只要是具有与数字全息装置100同等的功能的装置即可。另外，计算机200B除了具备用虚线表示的学习完成模型存储部238以外，还具有与计算机200A共通的结构、功能。
如图8所示，数字全息装置100使波长λ(1)～λ(j)的不同的光中的各种光从光源向作为测定对象的物体像110B照射，获取图案不同的干涉条纹强度数据10(1)～10(j)。j为正整数。此外，也可以预先获取物体像110B的干涉条纹强度数据10。
接着，计算机200B将图2的用虚线表示的学习完成模型存储部238中保存的学习完成模型用作初始相位估计器300，来针对被输入的新的干涉条纹强度数据10(1)设定对于逐次逼近计算的初始值而言适当的相位信息。由此，与如以往那样使用任意的初始值的情况相比，能够获取作为接近真值的相位信息的干涉条纹相位初始值数据20。
接着，计算机200B(CPU 210)通过使用作为物体像110B的物理量的干涉条纹强度数据10(1)～10(j)和作为物体像110B的相位的初始值的干涉条纹相位初始值数据20进行逐次逼近计算，来计算进行相位恢复所得到的物体像110B的干涉条纹相位估计值数据30。在逐次逼近计算的算法中，能够应用图4所示的流程图的S101～S111的各处理。通过这样，计算机200B为了使图4所示的步骤S110中的评价函数最小，而逐次更新作为近似解的干涉条纹相位初始值数据20，从而计算物体像110B的干涉条纹相位估计值数据30。
接着，计算机200B通过使用通过相位恢复所得到的物体像110B的干涉条纹相位估计值数据30以及用作初始相位估计器300的输入数据的干涉条纹强度数据10(1)进行光波传输计算，来获取重构出的重构强度数据40和重构相位数据50。在光波传输计算中能够使用图4中所说明的各步骤的处理以及式(1)、式(2)等。
如以上说明的那样，根据本实施方式，在实施阶段，由通过机器学习预先构建出的初始相位估计器300计算在逐次逼近计算中使用的物体像110B的相位的初始值，因此能够避免收敛为错误的物体像110B的相位，并且能够削减直到收敛为物体像110B的相位为止所需要的迭代计算的次数。
另外，根据本实施方式，在学习用数据生成阶段，生成通过逐次逼近计算法所估计出的物体像110A的相位信息来作为训练数据，因此在因环境变化而需要重新构建相位估计器的情况下，也能够在该环境中进行摄影来收集强度信息的数据，并且还能够生成作为学习用数据所需要的相位信息的数据。由此，能够构建适合获取到数据的环境的初始相位估计器300。另外，通过逐次逼近计算法来计算物体像110A的相位，由此能够获得接近真值的相位的值，因此能够制作更高精度且更稳定的初始相位估计器300。
此外，本发明的保护范围并不限定于上述的实施方式，包含在不脱离本发明的宗旨的范围内对上述的实施方式施加各种变更所得到的方式。
在上述的实施方式中，在再现细胞等的物体像(图像)时应用了模型的关系式的解中的初始值的估计，但是并不限定于此。例如，也能够将本发明应用于PET装置、CT装置等的图像重构、X射线透视图像散射线估计、色谱、质谱等领域。在PET装置和X射线CT装置的情况下，向初始相位估计器300输入放射线信号，并由初始相位估计器300输出重构断层像。在X射线透视像散射线估计的情况下，向初始相位估计器300输入(放射线透过物体而生成的)放射线透视图像，并由初始相位估计器300输出(被去除了伪影的)放射线透视图像。
另外，关于在步骤S110中使用的评价函数，例如在是X射线图像且指标改变那样的情况下，能够通过评价函数是否最大化来进行判定。另外，在上述的实施方式中，对使用神经网络作为机器学习的例子进行了说明，但是并不限定于此，例如也能够使用支持向量机、提升方法(boosting)等其它机器学习。
另外，逐次逼近计算中使用的物体像的相位的初始值并不限定于一个，也可以为多个。在使用多个初始值的情况下，用多个初始值进行逐次逼近计算，来选择解的结果更好的初始值。
并且，作为逐次逼近计算中使用的物理量，能够使用放射线透过物体像所得到的放射线透视图像来代替上述的物体像的干涉条纹强度数据。在该情况下，计算机200B通过使用放射线透视图像等进行逐次逼近计算，来求出物体像的重构断层像。
附图标记说明
10：干涉条纹强度数据(物理量)；20、20a：干涉条纹相位初始值数据；30：干涉条纹相位估计值数据；200A、200B、400：计算机(逐次逼近计算装置、运算部)；210：CPU(运算部)；300：初始相位估计器；350：卷积神经网络(神经网络)。

Claims (7)

1.一种逐次逼近计算方法，
包括进行逐次逼近计算以使评价函数最小或最大的工序，
在所述工序中，使用以所述逐次逼近计算中使用的规定的物理量为输入且以所述逐次逼近计算中使用的一个或多个初始值为输出的学习完成模型。
2.根据权利要求1所述的逐次逼近计算方法，其中，
所述物理量为物体的干涉条纹强度，
在所述工序中，通过所述逐次逼近计算来求出所述物体的相位信息。
3.根据权利要求1所述的逐次逼近计算方法，其中，
所述物理量为放射线透过物体所得到的放射线透视图像，
在所述工序中，通过所述逐次逼近计算来求出所述物体的重构断层像。
4.一种逐次逼近计算装置，
具备进行逐次逼近计算以使评价函数最小或最大的运算部，
所述运算部具有以所述逐次逼近计算中使用的规定的物理量为输入且以所述逐次逼近计算中使用的一个或多个初始值为输出的学习完成模型。
5.根据权利要求4所述的逐次逼近计算装置，其中，
所述物理量为物体的干涉条纹强度，
所述运算部通过所述逐次逼近计算来求出所述物体的相位信息。
6.根据权利要求4所述的逐次逼近计算装置，其中，
所述物理量为放射线透过物体所得到的放射线透视图像，
所述运算部通过所述逐次逼近计算来求出所述物体的重构断层像。
7.一种使计算机执行以下功能的程序：进行逐次逼近计算以使评价函数最小或最大，在该逐次逼近计算中，使用以该逐次逼近计算中使用的规定的物理量为输入且以所述逐次逼近计算中使用的一个或多个初始值为输出的学习完成模型。
CN201980089772.8A 2018-11-22 2019-11-14 逐次逼近计算方法、逐次逼近计算装置以及程序 Withdrawn CN113316779A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018218944 2018-11-22
JP2018-218944 2018-11-22
PCT/JP2019/044657 WO2020105534A1 (ja) 2018-11-22 2019-11-14 逐次近似計算方法、逐次近似計算装置およびプログラム

Publications (1)

Publication Number Publication Date
CN113316779A true CN113316779A (zh) 2021-08-27

Family

ID=70773063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980089772.8A Withdrawn CN113316779A (zh) 2018-11-22 2019-11-14 逐次逼近计算方法、逐次逼近计算装置以及程序

Country Status (4)

Country Link
US (1) US20220253508A1 (zh)
JP (1) JPWO2020105534A1 (zh)
CN (1) CN113316779A (zh)
WO (1) WO2020105534A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7431694B2 (ja) * 2020-07-28 2024-02-15 キヤノン株式会社 情報処理装置、膜形成装置、物品の製造方法、およびプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08136174A (ja) * 1994-11-14 1996-05-31 Hitachi Ltd 熱供給プラントの運転制御方法
US10281877B2 (en) * 2014-11-27 2019-05-07 Shimadzu Corporation Digital holography device and digital hologram generation method

Also Published As

Publication number Publication date
JPWO2020105534A1 (ja) 2021-09-30
US20220253508A1 (en) 2022-08-11
WO2020105534A1 (ja) 2020-05-28

Similar Documents

Publication Publication Date Title
RU2709437C1 (ru) Способ обработки изображений, устройство обработки изображений и носитель данных
EP2356487B1 (en) Provision of image data
US10902648B2 (en) Robust reconstruction for dark-field and phase contrast CT
JP6375619B2 (ja) オクルージョンを意識した明視野像からの３次元シーンの再構成
US9684817B2 (en) Method and system for automatically optimizing quality of point cloud data
JP2021521993A (ja) 敵対的生成ネットワークを使用した画像強調
JP4594114B2 (ja) 画像処理装置および屈折率分布測定装置
Schwab et al. Real-time photoacoustic projection imaging using deep learning
KR20130001319A (ko) 고해상도 이미징
JP6436442B2 (ja) 光音響装置および画像処理方法
CN113316779A (zh) 逐次逼近计算方法、逐次逼近计算装置以及程序
JP6014174B2 (ja) Ｃｔ画像生成装置およびｃｔ画像生成方法
Uribe et al. A hybrid Gibbs sampler for edge-preserving tomographic reconstruction with uncertain view angles
JP2023005078A (ja) 角度誤差推定装置、方法およびプログラム
EP3934537B1 (en) System for x-ray dark field; phase contrast and attenuation tomosynthesis image acquisition
CN109087267A (zh) 一种基于压缩感知的目标检测方法
US11782325B1 (en) Image processing apparatus, image processing method, and recording medium
JP2019078635A (ja) 測定装置、データ処理装置、データ処理方法およびプログラム
Koljonen et al. A mathematical model and iterative inversion for fluorescent optical projection tomography
KR101685830B1 (ko) 낮은 행렬계수를 이용한 내부 단층 촬영 영상 복원 장치 및 그 제어 방법
Liu Improve industrial cone-beam computed tomography by integrating prior information
Lozenski et al. Neural fields for dynamic imaging
JP2015019846A (ja) 治療装置及び制御方法
Schwab Deep Learning Methods for Limited Data Problems in X-Ray Tomography
CN112581553B (zh) 一种相衬成像方法、装置、存储介质及医学成像系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210827

WW01 Invention patent application withdrawn after publication