[논문 리뷰] Towards smart optical focusing: Deep learning-empowered wavefront shaping in nonstationary scattering media

Yunqi Luo, Suxia Yan외 3명|arXiv (Cornell University)|2019. 08. 31.

Random lasers and scattering media참고 문헌 58인용 수 5

한 줄 요약

이 논문은 비정상적인 산산이 흩어지는 매질에서 실시간 광학 집중을 위해 시간에 따른 광학 스펙클의 상관관계를 활용하는 딥 컨volution 신경망인 RFOTNet을 제안한다. 매질의 변형 후 새로운 스펙클 패tern에 대해 사전에 학습된 네트워크를 미세조정함으로써, 다시 학습을 시작하지 않고도 빠르고 계산 비용이 적은 웨이브프론트 형상 조절이 가능하여, 동적인 생체 조직에서 높은 정밀도의 집중을 달성한다.

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.

연구 동기 및 목표

• 비정상적이고 동적인 산산이 흩어지는 매질, 예를 들어 생체 조직에서 광학 집중 문제를 해결하기 위해.
• 변경되는 매질에서 웨이브프론트 형상 조절에 소요되는 계산 부담과 시간을 줄이기 위해.
• 매질의 변형 간에 광학 스펙클의 시간적 상관관계를 이용하여 효율적인 재집중을 위해.
• 완전한 재학습 없이 매질 변화에 신속히 적응할 수 있는 딥 러닝 프레임워크를 개발하기 위해.
• 딥 러닝 기반 웨이브프론트 형상 조절의 실현 가능성을 비정상적인 산산이 흩어지는 환경에서 실험적으로 검증하기 위해.

제안 방법

• 입력 스펙클 패턴을 최적의 웨이브프론트로 매핑하기 위해 다중 입력 단일 출력 딥 컨volution 신경망인 RFOTNet을 훈련시킨다.
• 네트워크는 산산이 흩어지는 매질에서 얻은 정적 스펙클 패턴으로 사전 훈련된다.
• 매질이 변형된 후, 사전 훈련된 네트워크는 새로운 스펙클 측정값을 몇 개만 사용하여 미세조정되어 집중을 복구한다.
• 변형 전후의 스펙클 간의 시간적 상관관계 덕분에 최소한의 데이터로 신속한 적응이 가능하다.
• 학습된 표현을 활용하여 복잡한 역산산산 흩어짐 문제를 다시 풀지 않고도 복잡한 문제를 피한다.
• 통제된 변형 조건 하에서 동적인 산산이 흩어지는 매질을 사용하여 프레임워크를 실험적으로 검증한다.

실험 결과

연구 질문

• RQ1 매질의 변형 후 완전한 재학습 없이도 딥 뉴럴 네트워크를 효과적으로 미세조정하여 광학 집중을 복원할 수 있는가?
• RQ2 광학 스펙클의 시간적 상관관계가 비정상적인 매질에서 웨이브프론트 형상 조절 성능에 어떤 영향을 미치는가?
• RQ3 정적 스펙클에서의 사전 훈련이 동적인 환경에서 집중의 효율성과 정확도를 얼마나 향상시키는가?
• RQ4 딥 러닝은 시간에 따라 변화하는 산산이 흩어지는 매질에서 계산 비용을 줄이면서도 고정밀도 집중을 유지할 수 있는가?
• RQ5 생체 유사 산산이 흩어지는 매질에서 실시간 광학 집중을 위해 미세조정된 딥 러닝 모델을 구현하는 데 실험적으로 가능한가?

주요 결과

• RFOTNet은 사전 훈련된 네트워크의 미세조정을 통해 매질의 변형 후 빠른 집중 복원을 가능하게 하여 시간과 계산 비용을 크게 줄인다.
• 중간 정도의 변형 후의 스펙클 패턴 간의 상관관계를 이용함으로써 고정밀도 집중을 달성한다.
• 실험적 검증을 통해 미세조정된 네트워크가 변형 후 최소한의 추가 학습 데이터로도 집중을 복구할 수 있음을 확인하였다.
• 반복 최적화와 완전한 재학습을 피하기 때문에 이 방법은 동적 매질에서 전통적인 웨이브프론트 형상 조절 방법보다 뛰어난 성능을 보인다.
• 이 프레임워크는 깊고 동적인 생체 조직에서 실시간 광학 영상 촬영과 집중에 강력한 잠재력을 보여준다.
• 결과는 딥 러닝이 높은 효율성과 정확도로 비정상적인 매질에서 역산산산 흩어짐 문제를 효과적으로 해결할 수 있음을 보여준다.