[論文レビュー] Towards smart optical focusing: Deep learning-empowered wavefront shaping in nonstationary scattering media

Yunqi Luo, Suxia Yan+3 more|arXiv (Cornell University)|Aug 31, 2019

Random lasers and scattering media参考文献 58被引用数 5

ひとこと要約

本論文では、非定常な散乱媒体におけるリアルタイム光焦点化のための深層畳み込みニューラルネットワーク、RFOTNetを提案する。光学スポッタの時間的相関を活用することで、媒体の摂動後に新しいスポッタパターンに対して事前学習済みネットワークを微調整する手法により、再訓練を再び行わずに迅速かつ計算的に効率的な波面整形が可能となり、動的生物学的組織において高精度な焦点化を達成する。

ABSTRACT

Optical focusing at depths in tissue is the Holy Grail of biomedical optics that may bring revolutionary advancement to the field. Wavefront shaping is a widely accepted approach to solve this problem, but most implementations thus far have only operated with stationary media which, however, are scarcely existent in practice. In this article, we propose to apply a deep convolutional neural network named as ReFocusing-Optical-Transformation-Net (RFOTNet), which is a Multi-input Single-output network, to tackle the grand challenge of light focusing in nonstationary scattering media. As known, deep convolutional neural networks are intrinsically powerful to solve inverse scattering problems without complicated computation. Considering the optical speckles of the medium before and after moderate perturbations are correlated, an optical focus can be rapidly recovered based on fine-tuning of pre-trained neural networks, significantly reducing the time and computational cost in refocusing. The feasibility is validated experimentally in this work. The proposed deep learning-empowered wavefront shaping framework has great potentials in facilitating optimal optical focusing and imaging in deep and dynamic tissue.

研究の動機と目的

• 非定常的で動的な散乱媒体（例：生物学的組織）における光学的焦点化の課題に対処すること。
• 変化する媒体における波面整形に要する計算負荷と時間の削減。
• 摂動に伴う光学スポッタ間の時間的相関を活用して、効率的な再焦点化を実現すること。
• 完全な再訓練なしに、媒体の変化に迅速に適応できるディープラーニングフレームワークの開発。
• 実験的な非定常散乱環境下でのディープラーニング駆動波面整形の実現可能性の検証。

提案手法

• 入力スポッタパターンを最適な波面にマップする多入力単出力の深層畳み込みニューラルネットワーク、RFOTNetを訓練する。
• ネットワークは、散乱媒体からの静的スポッタパターンを用いて事前学習される。
• 媒体の摂動後、新しいスポッタ測定値をわずかに用いて、事前学習済みネットワークを微調整し、焦点を回復する。
• 摂動前後におけるスポッタの時間的相関が、最小限のデータで迅速な適応を可能にする。
• 学習済み表現を活用することで、複雑な逆散乱問題を再び解くことなく、逆散乱問題の解決を回避する。
• 制御された摂動下での動的散乱媒体を用いた実験的検証により、フレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 完全な再訓練なしに、媒体の摂動後に深層ニューラルネットワークを効果的に微調整して光学的焦点を回復できるか？
• RQ2 光学スポッタの時間的相関が、非定常媒体における波面整形の性能にどのように影響するか？
• RQ3 静的スポッタで事前学習することで、動的環境における焦点化の効率性と正確性がどの程度向上するか？
• RQ4 ディープラーニングは、時間的に変化する散乱媒体において、計算コストを低減しながらも高精度な焦点化を維持できるか？
• RQ5 生物学的類似散乱媒体におけるリアルタイム光学焦点化に、微調整されたディープラーニングモデルを実装する実験的妥当性は何か？

主な発見

• RFOTNetは、事前学習済みネットワークの微調整により、媒体の摂動後の光学的焦点回復を迅速に実現し、時間的・計算的コストを顕著に削減する。
• 摂動の程度が小さい範囲で、摂動前後におけるスポッタパターンの相関を活用することで、高精度な焦点化が達成される。
• 実験的検証により、摂動後の追加的トレーニングデータを最小限に抑えても、微調整済みネットワークが焦点を回復できることを確認した。
• 反復的最適化や完全な再訓練を回避するため、従来の波面整形手法に比べて動的媒体で優れた性能を示す。
• 深く動的な生物学的組織におけるリアルタイム光学イメージングおよび焦点化の分野で、強力な応用可能性を示している。
• 結果から、ディープラーニングが非定常媒体においても、高い効率性と正確性で逆散乱問題を効果的に解けることが示された。