計算成像系統(tǒng)架起了硬件和圖像重建間的橋梁，讓很多復(fù)雜的光學(xué)成像系統(tǒng)包括斷層掃描、超分辨和相位成像等，都在計算成像的助力下得以通過對商業(yè)顯微鏡和計算重建的簡單改造而實現(xiàn)。傳統(tǒng)的方法要求用大量的測量來保證檢測質(zhì)量，但對于活細(xì)胞成像來說測量的次數(shù)則受到了細(xì)胞運動的限制，人們自然想知道什么樣的測量方式是最為有效的？在最新發(fā)表的論文中，來自伯克利的研究人員利用深度學(xué)習(xí)的方法得到了一種能夠最大化非線性計算成像系統(tǒng)的實驗設(shè)計。

左圖和中圖為顯微鏡硬件附加了LED照明陣列，右圖為LED的照明模式（工作頻率100Hz）

如何設(shè)計更有效的成像方法？

標(biāo)準(zhǔn)的顯微鏡通過觀察樣本的吸收對比度來實現(xiàn)成像，但大多數(shù)生物細(xì)胞的組織吸收都很弱。雖然染料和色素可以提高對比度，但卻會對活細(xì)胞長生不良影響。計算成像使得利用其它光學(xué)特性來獲得強對比成像和定量測量成為可能（例如相位/折射率變化）

左邊是顯微鏡觀測細(xì)胞的吸收圖像，右邊是通過計算成像得到的細(xì)胞相位圖像

同時可將顯微鏡的照相光源替換為可編程的LED陣列，在不同LED照明模式下的成像將會把樣本的相位信息（空間譜）編碼成強度信息來測量。在多次測量后(10~100)可利用這些信息定量地求解逆問題來重建樣本的相位，并很有可能超過顯微鏡原有的分辨率，或者得到三維的信息。

但由于需要多次測量，需要權(quán)衡樣本的重現(xiàn)質(zhì)量與時間分辨率。當(dāng)樣本移動時，時間分辨率不足帶來的模糊會造成成像質(zhì)量下降。為了解決這一問題，研究人員們需要尋找如何在更少的測量下獲得高精度的重建，從而改善成像的時間分辨率。但什么是LED陣列最好的照明模式？如何得到對信息最高效的編碼方式呢？

上圖是不同的照明模式下的測量結(jié)果，下部是用于圖像重建正則化的逆問題。

為LED陣列設(shè)計照明模式是復(fù)雜的問題，很多計算成像系統(tǒng)都會在硬件編碼信息和重建時引入非線性。傳統(tǒng)的設(shè)計理論幾乎都將這一過程視為了線性系統(tǒng)，但這樣的假設(shè)卻無法提高非線性系統(tǒng)的測量質(zhì)量。

研究人員們從新的角度來思考了目前面臨的問題，提出了基于物理的學(xué)習(xí)設(shè)計，通過學(xué)習(xí)來獲得能夠最大化系統(tǒng)性能的實驗設(shè)計。在給定系統(tǒng)模型、計算重建和數(shù)據(jù)集的前提下學(xué)習(xí)出最佳系統(tǒng)配置來最大化系統(tǒng)性能。在這一系統(tǒng)中，LED照明陣列顯微鏡作為待優(yōu)化的硬件，而正則化的相位恢復(fù)作為計算重建目標(biāo)。由于包含了眾多的非線性過程使得傳統(tǒng)方法難以設(shè)計。

為了闡述本文的方法，研究人員利用小的仿真數(shù)據(jù)集來為量化相位成像系統(tǒng)學(xué)習(xí)出了優(yōu)秀的實驗設(shè)計，結(jié)果表明這種方法在使用小部分測量的情況下得到重建質(zhì)量達到了更復(fù)雜方法所重建的水平。

優(yōu)化實驗設(shè)計和相位恢復(fù)

實驗設(shè)計優(yōu)化的目標(biāo)在于最小化無偏估計器的方差（MSE）或者最大化信息。通常的方法基于方差統(tǒng)計信息的實值部分（行列式、跡）來進行優(yōu)化，但這種方法只能對線性無偏估計器進行優(yōu)化，但卻無法充分優(yōu)化非線性估計器。在本研究中，研究人員希望通過解正則化相位恢復(fù)問題來估計相位圖像（非線性+有偏估計）。

具體來說就是希望通過最小化數(shù)據(jù)量D和先驗p(稀疏性、總方差等)來從幾次非線性測量y中得到樣本的光學(xué)參數(shù)x

損失函數(shù)可以利用基于梯度下降法的優(yōu)化算法迭代優(yōu)化，研究人員選擇了加速近端梯度下降法(accelerated proximal gradient descent)：

其中x為當(dāng)前估計，μ為加速項，w、z為中間變量，N為迭代次數(shù)。綠色為梯度更新、粉色為最鄰近更新、橘色為加速更新。

基于物理的神經(jīng)網(wǎng)絡(luò)

本實驗的目標(biāo)是為非線性的計算成像系統(tǒng)學(xué)習(xí)出實驗設(shè)計（如何最好的編碼信息），但在傳統(tǒng)方法不湊效的情況下，研究人員考慮將上述算法的迭代優(yōu)化過程展開成神經(jīng)網(wǎng)絡(luò)，并將網(wǎng)絡(luò)的每一層視為優(yōu)化器的一個迭代過程。在每一個內(nèi)包含了梯度優(yōu)化、最鄰近更新和加速更新過程如下圖所示。基于此設(shè)計的網(wǎng)絡(luò)結(jié)合了非線性成像過程和重建的先驗信息。

基于物理展開的神經(jīng)網(wǎng)絡(luò)，輸入多個相機測量結(jié)果C，輸出重建相位圖像x，并與基準(zhǔn)x’比較得到損失。每一層神經(jīng)元對應(yīng)著一個優(yōu)化迭代步驟。

值得一提的是近年來將圖像重建中的迭代過程進行流程化展開已經(jīng)出現(xiàn)了很多值得注意的工作。

基于物理過程學(xué)習(xí)的設(shè)計

在這一實驗中，需要學(xué)習(xí)的是如何調(diào)制LED的照明方式來最小化重建誤差，那么這一實驗設(shè)計問題可以被轉(zhuǎn)換為監(jiān)督學(xué)習(xí)問題：

其中L2為相位圖像的重建誤差。為LED的照明集，即T個LED的M次照明模式集合。這些變量約束了算法生成解決方案在硬件上的可行性。由于神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)的參數(shù)很少，這個網(wǎng)絡(luò)可以在很小的數(shù)據(jù)集（100個樣本）上高效的運行！研究中使用了投影梯度下降法來最小化損失。

實驗驗證

在實驗中，研究人員利用了100個細(xì)胞樣本來作為數(shù)據(jù)集（其中10個用于測試），最終結(jié)果表明只需要兩次測試就可以學(xué)習(xí)到實驗設(shè)計中的參數(shù)。在下圖中研究人員比較了利用學(xué)習(xí)方法和傳統(tǒng)方法構(gòu)建出的相位圖。在極少量測量(2次)下可以得到與多次測量的驗證方法（69次）相比米的結(jié)果。而傳統(tǒng)方法在相同測量條件下質(zhì)量已經(jīng)大幅下降了。

小鼠顯微細(xì)胞的重建結(jié)果，實驗顯示利用基于學(xué)習(xí)的方法在僅僅兩次測量下就得到了與多次測量相比擬的結(jié)果。

結(jié)論

這一工作探索了利用深度學(xué)習(xí)來優(yōu)化非線性成像系統(tǒng)的可行性。研究人員利用監(jiān)督學(xué)習(xí)和基于物理過程展開的神經(jīng)網(wǎng)絡(luò)。在未來研究人員還將探索更為復(fù)雜的系統(tǒng)和測量手段，結(jié)構(gòu)化的方法來學(xué)習(xí)重建過程中的各個部分。這種方法啟發(fā)實驗設(shè)計的方法、特別是測量方法的設(shè)計，有希望大幅提高測量設(shè)備的時間和空間分辨率。