Rozbalení fázového obrazu z kvantitativní fázové mikroskopie pomocí hlubokého učení

Abstract

Kvantitatívna fázová mikroskopia predstavuje moderný nástroj na neinvazívne zobrazovanie biologických vzoriek, umožňujúci analýzu ich štruktúr bez použitia kontrastných látok. Táto práca sa zameriava na využitie hlbokého učenia na rekonštrukciu fázových obrazov so zameraním na rozbalenie fázy, pričom prekonáva obmedzenia tradičných metód. Súčasťou práce je popis princípov kvantitatívneho fázového zobrazovania, s dôrazom na koherenčne riadený holografický mikroskop a postup rekonštrukcie fázových obrazov vrátane riešenia problémov spojených s rozbalením fázy. Diskutované sú aj základy hlbokého učenia, architektúra U-Net a jej využitie v biomedicíne. Literárna rešerš sa zameriava na analýzu moderných aj tradičných metód rozbalenia fázových obrazov. Zahŕňa prístupy založené na výpočte zábalov, odstraňovaní šumu, regresii a metódach učenia bez učiteľa, pričom hodnotí ich efektivitu a vhodnosť pre rôzne typy dát. Praktická časť zahŕňa implementáciu a testovanie vybraných metód hlbokého učenia, simuláciu datasetu s optimalizáciou parametrov, a hodnotenie výsledkov na simulovaných aj experimentálnych dátach z kvantitatívnej fázovej mikroskopie. Navrhnuté riešenie je porovnané s tradičnými metódami rozbalenia fázy, pričom práca uzatvára zhrnutie dosiahnutých výsledkov a ich interpretáciu.

Quantitative phase microscopy is a modern tool for non-invasive imaging of biological samples, enabling analysis of their structures without the use of contrast agents. This work focuses on the use of deep learning for phase image reconstruction with an emphasis on phase unwrapping, overcoming the limitations of traditional methods. The thesis includes a description of the principles of quantitative phase imaging, with an emphasis on coherent-controlled holographic microscopy and the process of phase image reconstruction, including solutions to problems associated with phase unwrapping. The fundamentals of deep learning, the architecture of U-Net, and its use in biomedicine are also discussed. The literature review focuses on the analysis of modern and traditional methods of phase image unwrapping. It includes approaches based on unwrapping calculations, noise removal, regression, and unsupervised learning methods, evaluating their effectiveness and suitability for different types of data. The practical part includes the implementation and testing of selected deep learning methods, simulation of a dataset with parameter optimization, and evaluation of results on simulated and experimental data from quantitative phase microscopy. The proposed solution is compared with traditional phase unwrapping methods, and the thesis concludes with a summary of the results achieved and their interpretation.