[論文レビュー] Physics-driven universal twin-image removal network for digital in-line holographic microscopy

Mikołaj Rogalski, Piotr Arcab+4 more|PubMed|Aug 8, 2023

Digital Holography and Microscopy参考文献 47被引用数 5

ひとこと要約

本論文では、デジタルインラインホログラフィー顕微鏡法（DIHM）におけるユニバーサルな二重像ノイズ低減のための物理駆動型ディープラーニングネットワーク、UTIRnetを提案する。数値的に生成されたホログラムのみで訓練されたUTIRnetは、高速で頑健かつハードウェアに依存しない再構成を可能にし、物理的整合性を保ちながら、実験的トレーニングデータを必要とせずに、最先端の性能を達成する。ライブの神経膠細胞移動イメージングの検証においても有効である。

ABSTRACT

Digital in-line holographic microscopy (DIHM) enables efficient and cost-effective computational quantitative phase imaging with a large field of view, making it valuable for studying cell motility, migration, and bio-microfluidics. However, the quality of DIHM reconstructions is compromised by twin-image noise, posing a significant challenge. Conventional methods for mitigating this noise involve complex hardware setups or time-consuming algorithms with often limited effectiveness. In this work, we propose UTIRnet, a deep learning solution for fast, robust, and universally applicable twin-image suppression, trained exclusively on numerically generated datasets. The availability of open-source UTIRnet codes facilitates its implementation in various DIHM systems without the need for extensive experimental training data. Notably, our network ensures the consistency of reconstruction results with input holograms, imparting a physics-based foundation and enhancing reliability compared to conventional deep learning approaches. Experimental verification was conducted among others on live neural glial cell culture migration sensing, which is crucial for neurodegenerative disease research.

研究の動機と目的

• デジタルインラインホログラフィー顕微鏡法（DIHM）における長年の課題である二重像ノイズが再構成品質を低下させ、定量的位相差顕微鏡の応用を制限するという問題に取り組む。
• 広範な実験的トレーニングデータや複雑なハードウェア設定を必要としない、ユニバーサルで高速かつ頑健な二重像低減手法を開発する。
• ディープラーニングフレームワークに物理的制約を組み込むことで、再構成の物理的整合性を保証し、従来のデータ駆動型手法に比べ信頼性を向上させる。
• オープンソースでの公開により、神経変性疾患研究におけるライブセルイメージングを含むバイオメディカル研究への直接応用を可能にする。

提案手法

• UTIRnetは、アングルスプリーム法を用いて数値的にシミュレートされたホログラムのみで訓練されており、実験的データを一切使用せず、物理的に現実的なホログラムを保証する。
• ネットワークアーキテクチャは、ノイズのあるホログラムからノイズのない二重像なしの再構成へと逆写像を学習するように設計されており、特徴表現の向上のためのリーマンス学習ブロックを備える。
• 物理的制約を組み込むために、入力ホログラムと出力再構成の整合性を保証する微分可能な前方モデルを用いた物理駆動型正則化が実装されている。
• トレーニングプロセスでは、ピxls単位の再構成損失とホログラフィック伝搬モデルから導出された物理的整合性損失を組み合わせた損失関数が使用されている。
• この手法はユニバーサルであり、再トレーニングなしにさまざまなサンプルタイプ、照明条件、システムパラメータに一般化可能である。
• モデルはオープンソースとして公開されており、追加のデータ収集なしに多様なDIHMシステムへの即時導入を可能にする。

実験結果

リサーチクエスチョン

• RQ1 合成ホログラムのみでトレーニングされたディープラーニングモデルが、実データのファインチューニングなしに、さまざまなDIHMシステムに普遍的に二重像ノイズを低減できるか？
• RQ2 物理駆動型正則化は、標準的なデータ駆動型手法と比較して、ディープラーニングベースのホログラム再構成の信頼性と物理的整合性をどのように向上させるか？
• RQ3 UTIRnetは、神経膠細胞移動のようなライブセルダイナミクスにおいて、再構成品質をどのように向上させ、正確な定量的位相差顕微鏡を可能にするか？
• RQ4 再トレーニングなしに、さまざまなサンプルの形態、サイズ、光学的パス差に一般化できるか？

主な発見

• UTIRnetは、二重像ノイズ低減において最先端の性能を達成し、細かな構造的詳細を保持したまま、顕著にノイズを低減している。
• 物理駆動型損失関数により、出力再構成がホログラム伝搬モデルに従って入力ホログラムと整合的であることが保証され、物理的妥当性が向上している。
• ネットワークは、さまざまなサンプルタイプやシステムパラメータに効果的に一般化しており、再トレーニングなしに普遍的な適用性を示している。
• ライブの神経膠細胞移動実験では、UTIRnetにより高精度な定量的位相差顕微鏡が実現され、時間的・空間的分解能が向上し、動的セル行動解析が可能になった。
• UTIRnetのオープンソース公開により、既存のDIHMプラットフォームへの迅速な統合が可能となり、バイオメディカル研究における採用を加速している。