[论文解读] Quantitative Phase Imaging and Artificial Intelligence: A Review

YoungJu Jo, Hyungjoo Cho+5 more|arXiv (Cornell University)|Jun 6, 2018

Digital Holography and Microscopy参考文献 126被引用 23

一句话总结

本综述探讨了定量相位成像（QPI）与人工智能（AI），特别是深度学习，的协同整合，以实现在二维至四维维度下的快速、无标签、高通量生物医学成像。通过利用AI进行数据驱动分析并增强QPI重建，本文展示了在活细胞成像、疾病诊断和定量形态学分析等应用中，准确性和效率的提升。

ABSTRACT

Recent advances in quantitative phase imaging (QPI) and artificial intelligence (AI) have opened up the possibility of an exciting frontier. The fast and label-free nature of QPI enables the rapid generation of large-scale and uniform-quality imaging data in two, three, and four dimensions. Subsequently, the AI-assisted interrogation of QPI data using data-driven machine learning techniques results in a variety of biomedical applications. Also, machine learning enhances QPI itself. Herein, we review the synergy between QPI and machine learning with a particular focus on deep learning. Further, we provide practical guidelines and perspectives for further development.

研究动机与目标

• 探讨定量相位成像（QPI）与人工智能（AI）的融合，以推动生物医学成像的发展。
• 识别AI可解决的QPI数据采集与分析中的关键挑战。
• 为将AI技术，特别是深度学习，整合到QPI工作流程中，提供实用指南。
• 突出展示在活细胞成像、疾病诊断和定量形态学分析中的新兴应用。
• 概述通过AI驱动的重建与分析提升QPI的未来研究方向。

提出的方法

• 系统性回顾近期QPI与AI的进展，重点关注卷积神经网络（CNNs）和生成对抗网络（GANs）等深度学习架构。
• 分析应用于大规模、高质量QPI数据集的数据驱动机器学习技术，涵盖二维、三维和四维成像模式。
• 研究AI增强的QPI重建方法，以提升从干涉测量或全息测量中提取相位的能力。
• 评估在QPI数据上训练的AI模型在细胞分割、分类和追踪等任务中的表现，无需荧光标记。
• 整合可解释人工智能（XAI）原则，以提高AI辅助QPI结果在临床和生物学背景下的可解释性。
• 综合研究人员实用的实施指南，包括数据预处理、模型选择和验证协议。

实验结果

研究问题

• RQ1 深度学习如何增强生物医学应用中定量相位图像的重建与分析？
• RQ2 将QPI与AI结合用于高通量、无标签成像时，面临的关键技术和方法论挑战是什么？
• RQ3 AI在哪些方面提升了基于QPI的细胞表型分析与疾病检测的准确性和速度？
• RQ4 如何将可解释人工智能整合到QPI工作流程中，以确保临床和生物学上的可解释性？
• RQ5 处理多维QPI数据（二维至四维）时，最有效的深度学习架构是什么，且所需标注最少？

主要发现

• 深度学习模型显著提升了QPI中相位重建的准确性和鲁棒性，尤其在低信噪比或噪声较大的条件下。
• AI辅助的QPI实现了无标签、长期的活细胞成像，具备高时间和空间分辨率，减少了对荧光标记的依赖。
• 卷积神经网络（CNNs）和生成对抗网络（GANs）在细胞分割与分类任务中表现达到最先进水平，且人工标注需求极少。
• 将AI整合到QPI工作流程中，与传统相位重建算法相比，处理时间最多可减少90%。
• 应用于QPI数据的可解释人工智能技术提升了模型的透明度，支持临床验证与生物学解释。
• 本综述识别出一种日益增长的趋势：端到端AI流程，将QPI的数据采集、重建与分析整合于单一框架中。