Beugungsnetzwerke ermöglichen die quantitative Phasenbildgebung (QPI) durch Zufallsdiffusoren

Seit Jahrzehnten ist die Abbildung schwach streuender Phasenobjekte wie Zellen ein aktives Forschungsgebiet in verschiedenen Bereichen, einschließlich der biomedizinischen Wissenschaften. Ein gängiger Ansatz verwendet chemische Färbemittel oder fluoreszierende Markierungen, um schwach streuenden Objekten Bildkontrast zu verleihen, erfordert jedoch relativ komplexe Probenvorbereitungsschritte, die auch toxisch oder zerstörerisch für die Proben sein können. Die quantitative Phasenbildgebung (QPI) hat sich als leistungsstarke, markierungsfreie Lösung für diesen Bedarf herausgestellt und ermöglicht die nicht-invasive, hochauflösende Bildgebung transparenter Proben ohne Verwendung externer Tags oder Reagenzien.

Allerdings können herkömmliche QPI-Systeme aufgrund ihres Bedarfs an digitalen Bildrekonstruktions- und Phasenabrufalgorithmen ressourcenintensiv und langsam sein. Darüber hinaus berücksichtigen die meisten QPI-Ansätze keine zufälligen Streumedien, die insbesondere in biologischem Gewebe weit verbreitet sind.

In einem kürzlich veröffentlichten Artikel in Licht: Fortschrittliche Fertigung, berichtete ein Forschungsteam unter der Leitung von Professor Aydogan Ozcan vom Fachbereich Elektro- und Computertechnik der University of California, Los Angeles (UCLA) über eine neue Methode zur quantitativen Phasenabbildung von Objekten, die vollständig von zufälligen, unbekannten Phasendiffusoren bedeckt sind. Ihre Methode nutzt ein diffraktives optisches Netzwerk, das aus aufeinanderfolgenden durchlässigen Schichten besteht, die durch Deep Learning optimiert wurden, und dieses diffraktive System erstreckt sich axial über ~70λ, wobei λ die Beleuchtungswellenlänge ist.

Während des Trainings wurden verschiedene zufällig generierte Phasendiffusoren verwendet, um die Widerstandsfähigkeit gegen Phasenstörungen zu stärken, die durch zufällige unbekannte Diffusoren verursacht wurden. Nach dem Training, das ein einmaliger Aufwand ist, können die resultierenden diffraktiven Schichten eine rein optische Phasenwiederherstellung und eine quantitative Phasenabbildung unbekannter Objekte durchführen, die vollständig von unbekannten Zufallsdiffusoren verdeckt werden.

In ihren numerischen Simulationen demonstrierte das Team erfolgreich die Fähigkeit des QPI-Beugungsnetzwerks, die Abbildung neuer Objekte durch neue Zufallsphasendiffusoren zu erreichen, die noch nie zuvor gesehen wurden. Darüber hinaus befassten sich ihre Untersuchungen mit den Auswirkungen verschiedener Faktoren, etwa der Anzahl räumlich strukturierter diffraktiver Schichten und dem Kompromiss zwischen Bildqualität und Ausgangsenergieeffizienz, und zeigten, dass tiefere diffraktive optische Netzwerke im Allgemeinen flachere Designs übertreffen könnten. Dieses QPI-Beugungsnetzwerk kann physikalisch skaliert werden, um in verschiedenen Teilen des elektromagnetischen Spektrums zu arbeiten, ohne seine Schichten neu zu gestalten oder neu zu trainieren.

Ein solches vollständig optisches Computer-Framework bietet die Vorteile eines geringen Stromverbrauchs, einer hohen Bildrate und einer kompakten Größe. Das UCLA-Forschungsteam erwartet die mögliche Integration seiner QPI-Beugungsdesigns auf Bildsensorchips (CMOS/CCD-Bildgeber), wodurch ein optisches Standardmikroskop effektiv in ein Beugungs-QPI-Mikroskop umgewandelt wird, das in der Lage ist, eine Phasenwiederherstellung und Bildrekonstruktion auf dem Chip durch Lichtbeugung innerhalb passiv strukturierter Schichten durchzuführen.