Helt optisk fasåterställning:diffraktiv beräkning för kvantitativ fasavbildning. Ingenjörer vid UCLA rapporterar, för första gången, utformningen av diffraktiva nätverk som helt optiskt kan återställa den kvantitativa fasinformationen för objekt, enbart med hjälp av diffraktion av ljus genom passiva konstruerade ytor. Kredit:Ozcan Lab, UCLA.
Optisk avbildning och karakterisering av svagt spridande fasobjekt, såsom isolerade celler, bakterier och tunna vävnadssektioner som ofta används i biologisk forskning och medicinska tillämpningar, har varit av stort intresse i decennier. På grund av deras optiska egenskaper, när dessa "fasobjekt" belyses med en ljuskälla, är mängden spritt ljus vanligtvis mycket mindre än ljuset som passerar direkt genom provet, vilket resulterar i en dålig bildkontrast med traditionella bildbehandlingsmetoder. Denna låga bildkontrast kan övervinnas med till exempel kemiska fläckar eller fluorescerande taggar. Men dessa externa märknings- eller färgningsmetoder är ofta tråkiga, dyra och involverar giftiga kemikalier.
Kvantitativ fasavbildning (QPI) har dykt upp som ett kraftfullt etikettfritt tillvägagångssätt för optisk undersökning och avkänning av olika svagt spridande, transparenta fasobjekt. De senaste decennierna har bevittnat utvecklingen av ett flertal digitala metoder för kvantitativ fasavbildning baserade på bildrekonstruktionsalgoritmer som körs på datorer för att återställa objektets fasbild från olika interferometriska mätningar. Dessa digitala QPI-tekniker, som drivs av grafikprocessorer (GPU), har använts i olika applikationer, inklusive patologi, cellbiologi, immunologi och cancerforskning, bland annat.
I en ny forskningsartikel publicerad i Advanced Optical Materials , ett team av optiska ingenjörer, ledda av professor Aydogan Ozcan från Electrical and Computer Engineering Department och California NanoSystems Institute (CNSI) vid University of California, Los Angeles (UCLA), utvecklade ett diffraktivt optiskt nätverk för att ersätta digitala bildrekonstruktionsalgoritmer som används i QPI-system med en serie passiva optiska ytor som är rumsligt konstruerade med hjälp av djupinlärning. Till skillnad från de konventionella QPI-systemen, där fasåterställningssteget utförs på en digital dator med hjälp av en intensitetsmätning eller ett hologram, bearbetar ett diffraktivt QPI-nätverk direkt de optiska vågorna som genereras av objektet självt för att hämta fasinformationen från provet som ljuset fortplantar sig genom det diffraktiva nätverket. Därför fullbordas hela fasåterställnings- och kvantitativa fasavbildningsprocesser med ljusets hastighet och utan behov av en extern strömkälla, förutom belysningsljuset. Efter att ljuset interagerar med föremålet av intresse och fortplantar sig genom de spatialt konstruerade passiva skikten, visas den återvunna fasbilden av provet vid utgången av det diffraktiva nätverket som en intensitetsbild, vilket framgångsrikt omvandlar objektets fasegenskaper vid ingången till en intensitetsbild vid utgången.
Dessa resultat utgör den första helt optiska fasåtervinningen och fas-till-intensitetstransformationen som uppnås genom diffraktion. Enligt resultaten som presenteras av UCLA-teamet kan de diffraktiva QPI-nätverken som tränats med hjälp av djupinlärning inte bara generaliseras till osynliga, nya fasobjekt som statistiskt liknar träningsbilderna, utan också generalisera till helt nya typer av objekt med olika rumsliga egenskaper. Dessutom är dessa diffraktiva QPI-nätverk utformade så att kvantifieringen av ingångsfasen är oföränderlig för eventuella förändringar i belysningsljusintensiteten eller detekteringseffektiviteten hos bildsensorn. Teamet visade också att de diffraktiva QPI-nätverken kunde optimeras för att bibehålla sin kvantitativa fasbildkvalitet även under mekaniska feljusteringar av dess diffraktiva lager.
De diffraktiva QPI-nätverk som rapporterats av UCLA-teamet representerar ett nytt fasbildskoncept som, förutom sin överlägsna beräkningshastighet, fullbordar fasåterställningsprocessen när ljuset passerar genom tunna, passiva diffraktiva ytor, och därför eliminerar strömförbrukningen och minnesanvändningen krävs i digitala QPI-system, vilket potentiellt banar väg för olika nya tillämpningar inom mikroskopi och avkänning. + Utforska vidare
