English
Three-dimensional tomography of red blood cells using deep learning
文件大小：
2751k
资源说明：We accurately reconstruct three-dimensional (3-D) refractive index (RI) distributions from highly ill-posed two-dimensional (2-D) measurements using a deep neural network (DNN). Strong distortions are introduced on reconstructions obtained by the Wolf transform inversion method due to the ill-posed measurements acquired from the limited numerical apertures (NAs) of the optical system. Despite the recent success of DNNs in solving ill-posed inverse problems, the application to 3-D optical imaging
这篇论文的标题是“使用深度学习进行红细胞的三维成像”，主要研究的是如何通过深度神经网络（DNN）从高度非线性的二维（2-D）测量数据中精确重建三维（3-D）折射率（RI）分布。描述中提到，由于光学系统的数值孔径（NA）限制导致的测量不足，传统的Wolf变换逆方法在重构过程中会出现严重的失真问题。尽管深度学习网络在解决这类非线性逆问题上已经取得了一定的成功，但在三维光学成像领域的应用仍然极具挑战性，主要是因为缺乏真实世界的基准数据。
文章的核心内容在于，作者通过生成数字幻影（digital phantoms）来模拟红血细胞（RBCs），这些细胞因其独特的形态而特别容易受到非线性问题的影响。利用离散偶极子近似法（DDA），他们可以为有限范围的照明角度生成多个二维投影地图。然后，这些合成测量数据被用来训练深度神经网络，以消除由测量不足引起的失真。关键在于，经过训练的网络不仅能够处理模拟数据，还能成功地从实际实验记录的红血细胞样本投影中得到高保真度的重建结果。
为了验证重建的准确性，研究者使用DDA计算了三维重建的二维投影，并将它们与实验记录的投影进行了比较。关键词包括光学衍射层析术、三维成像、机器学习、深度学习、图像重建、红血细胞以及缺失锥问题。这项工作表明，深度学习技术在解决光学成像中的非线性逆问题上有巨大潜力，尤其是在处理具有复杂形态的生物样本时。
论文发表于2020年，表明了科研界对于结合先进计算方法如深度学习与光学成像技术的兴趣日益增长，这为未来的医学诊断、生物学研究以及材料科学等领域提供了新的工具和可能性。通过克服“缺失锥问题”（missing cone problem），即光学系统无法捕获所有可能角度的信息，该研究为提高三维成像的质量和精度打开了新的道路。这篇论文展示了深度学习在解决复杂成像挑战上的强大能力，并为未来在实际应用中实现高精度三维成像奠定了基础。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
