光学显微镜是应用普遍的成像工具，但传统的显微镜在对三维物体成像时通常需要手动调节镜头的距离聚焦在不同的深度，使用高分辨率镜头时，显微视场也会受到限制，这给大样本的立体成像带来了困难。扫描显微镜可以实现三维物体的成像，但单像素扫描的过程限制了成像速度。同时，显微镜昂贵的物镜和复杂的机械结构也限制了其在便携式成像方面的应用。
无镜头成像器件通过一个轻薄的光学表面结构元件来取代多个元件组成的显微物镜及其他光学透镜。该光学表面结构元件可以是特殊设计的部分遮光的孔径阵列，也可以是单层透明的材料。在成像过程中，该表面结构元件把三维物体的体像素投射到相机的二维像素上。通过对二维像素到三维体像素的反演逆推，三维的物体可以得到重建。无镜头相机大大降低了成像系统的厚度和体积，且能够通过单次成像重建物体的三维细节。然而，在重建物体时进行的二维矩阵（相机像素）到三维矩阵（物体体像素）的反演逆推涉及到复杂的全局优化数值计算。庞大的计算资源和冗长的计算时间严重限制了无镜头相机的成像通量和在实时成像中的应用。
针对上述研究现状，美国加州大学戴维斯分校的杨暐健课题组展示了一种新的无镜头成像方式 (GEOMScope)。借助微透镜阵列的几何光学性质和深度学习模型的图像处理，该成像系统可以对大体积样本进行高分辨三维显微成像，并实现快速重建。相比之前的无镜头相机，GEOMScope大大降低了重建物体所需的计算资源，极大提升了重建速度。该研究结果近日发表在Laser & Photonics Reviews中（Feng Tian, Junjie Hu, and Weijian Yang, GEOMScope: Large Field-of-View 3D Lensless Microscopy with Low Computational Complexity；doi: 10.1002/lpor.202100072）
GEOMScope微透镜阵列把三维物体中的每一个体像素投影到相机中的多个区域。为了快速重建物体，研究者们创造性地提出了一种将几何光学和机器学习相结合的算法。重建算法分成两步：第一步是通过几何光学把每一个物体体像素对应的相机像素点找出并求和。这个反投影操作可以获得不同距离物体的重聚焦图像。虽然重聚焦图像会存在瑕疵，比如其他距离物体的离焦背景，但这个步骤简单快捷。在第二步中，研究者们把这些重聚焦图像输入到训练好的卷积神经网络中去除第一步结果中的瑕疵，从而获得高信噪比的三维重建物体。这一“两步走”算法巧妙地利用了几何光学和机器学习的优点，第一步通过简单的几何光学解决了相机像素到物体体像素的反映射问题，第二步通过高效率的卷积神经网络解决了第一步中几何光学的不足，得到了高质量的物体重构。这一算法避免了传统算法中直接对相机像素和物体体像素反映射问题中的全局优化和大型矩阵的冗繁操作，在保证物体重构质量的情况下，数十数百倍地提高重构速度。
图1. GEOMScope的成像和三维物体重构示意图
利用GEOMScope，研究者们实现了对数十毫米荧光和磷光样品的成像和高速、高分辨的三维构建。GEOMScope的成像原理和物体重构方法具有极大的扩展性，将会在可集成便携式、三维高分辨、高通量和高速成像中发挥重要作用。
图2. GEOMScope对三维物体的三维显微成像
本文第一作者田丰目前在加州大学戴维斯分校攻读博士学位。通讯作者杨暐健为加州大学戴维斯分校电子电器和计算机工程系助理教授，研究涉及光学成像系统，纳米光子学，光电子学和神经科学。
原文刊载于【InfoMat】公众号
本文版权归原作者所有，文章内容不代表平台观点或立场。如有关于文章内容、版权或其他问题请与我方联系，我方将在核实情况后对相关内容做删除或保留处理！