[论文解读] 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 5

一句话总结

该论文提出RFOTNet，一种用于在非平稳散射介质中实现实时光学聚焦的深度卷积神经网络，通过利用光学散斑中的时间相关性。通过在介质扰动后对预训练网络进行微调，该方法实现了快速、计算高效的波前整形，无需从头开始训练，在动态生物组织中实现了高保真度聚焦。

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.

研究动机与目标

• 解决在非平稳、动态散射介质（如生物组织）中的光学聚焦挑战。
• 降低在变化介质中波前整形所需的计算负担和时间。
• 利用扰动前后散斑的时间相关性，实现高效重聚焦。
• 开发一种深度学习框架，实现在介质变化时的快速适应，而无需完全重新训练。
• 验证深度学习赋能的波前整形在实验性非平稳散射环境中的可行性。

提出的方法

• 训练一个多输入单输出的深度卷积神经网络RFOTNet，将输入的散斑图案映射到最优波前以实现聚焦。
• 使用来自散射介质的静态散斑图案对网络进行预训练。
• 在介质扰动后，仅使用少量新的散斑测量数据对预训练网络进行微调，以恢复聚焦。
• 预扰动和后扰动散斑之间的时间相关性使得仅用少量数据即可实现快速适应。
• 通过利用学习到的表征，避免从头开始求解复杂的逆散射问题。
• 在受控扰动下的动态散射介质中，对框架进行了实验验证。

实验结果

研究问题

• RQ1 是否可以有效微调深度神经网络，在不完全重新训练的情况下恢复介质扰动后的光学聚焦？
• RQ2 光学散斑的时间相关性在非平稳介质中的波前整形性能中起到何种影响？
• RQ3 在静态散斑上进行预训练，在多大程度上提升了动态环境中聚焦的效率和准确性？
• RQ4 深度学习是否能在保持高聚焦保真度的同时，降低时变散射介质中的计算成本？
• RQ5 在类似生物的散射介质中，部署微调后的深度学习模型实现实时光学聚焦的实验可行性如何？

主要发现

• 通过微调预训练网络，RFOTNet能够快速在介质扰动后恢复光学聚焦，显著降低时间和计算成本。
• 该方法通过利用中等扰动前后散斑图案之间的相关性，实现了高保真度聚焦。
• 实验验证表明，微调后的网络在扰动后仅需极少的额外训练数据即可恢复聚焦。
• 与传统波前整形方法相比，该方法通过避免迭代优化和完全重新训练，在动态介质中表现更优。
• 该框架在深层动态生物组织中实现实时光学成像和聚焦方面展现出巨大潜力。
• 结果表明，深度学习能够以高效率和高精度有效解决非平稳介质中的逆散射问题。