基于CycleGAN的虚拟定量差分相衬成像用于红细胞分类

目的通过深度学习技术实现虚拟定量差分相衬(Virtual Quantitative Differential Phase Contrast,V-qDPC)重建,提高定量相位成像衬度和鲁棒性,为无标记红细胞的全自动分类提供新思路。方法通过对LED照明进行编码获得明场图像和差分相衬图像,通过相位重建可获得定量差分相衬(Quantitative Differential Phase Contrast,qDPC)图像;采用循环一致生成对抗网络(Cycle-consistent Generative Adversarial Network,CycleGAN)完成明场图像到qDPC图像的端到端映射。结果基于CycleGAN生成的V-qDPC图像,实验参数当λ=7和β=0.5时,V-qDPC图像质量最优;相比光学重建的qDPC图像有更好的鲁棒性和抗噪声能力;使用AlexNet、ResNet50和VggNet三种网络模型比较无标记红细胞形态的自动分类,结果表明V-qDPC图像比qDPC图像具有更好分类性能。结论与传统的基于多幅倾斜照明图像的qDPC重建相比,V-qDPC算法具有更好的相位图像质量和鲁棒性,适合以高精度和高效率实现全自动细胞分类,同时省去了成像光路和硬件支持,有望应用于生物医学研究。

衍射相位显微成像的发展综述

定量相位成像(Quantitative Phase Imaging,QPI)作为无标记显微成像,已成为生物医学应用中最有价值的方法之一。衍射相位显微成像(Diffraction Phase Microscopy,DPM)是一种微离轴共路径的高灵敏度QPI方法,具有无标记、高稳定性和低时空噪声等特点。本文系统介绍了干涉成像原理、系统参数选择与相位恢复算法,综述了一系列DPM改进方法,包括白光衍射相位成像、多波长衍射相位成像、结构光照明衍射相位成像、多模式衍射相位成像,以及这些方法在生物医学中的应用,最后讨论了现有DPM方法的局限性以及今后可能的发展方向。