这篇论文的研究内容由华沙科技大学的米哈乌·贡塔兹（Michał Gontarz）教授及其团队完成，发表在《Optics Express》期刊上。
全息断层成像（Holographic Tomography, HT）是一种先进的定量相位成像技术，能够生成高分辨率的三维图像，广泛应用于生物医学领域。HT技术通过对物体的多重全息图进行处理，获取其三维折射率分布。然而，由于相位编码的特性，获取的相位图像通常呈现出模2π的形式，存在不连续性，这就需要进行相位展开（Phase Unwrapping, PU）处理。传统的相位展开算法在面对高噪声和复杂相位图像时，往往表现出鲁棒性不足、可靠性差、速度慢和自动化程度低等问题。
为了解决这些问题，贡塔兹教授及其团队提出了一种基于卷积神经网络（CNN）的相位展开管道，分为两个步骤：去噪和相位展开。该管道采用了U-Net架构，并引入了注意力门（Attention Gates, AG）和残差块（Residual Blocks, RB）来增强模型的性能。去噪步骤旨在去除相位图像中的噪声，同时保留物体不连续处的重要信息。研究团队使用合成数据集训练了一个去噪模型，去噪模型基于U-Net架构，经过多层卷积和激活函数处理，能够有效地去除噪声。
在相位展开步骤中，去噪后的图像作为输入，进入相位展开模型。该模型同样基于U-Net架构，但深度更大，能够处理更复杂的相位图像。通过对每个像素进行语义分割，模型为每个像素分配一个整数值，表示其相位的包络数。最终，通过将包络数乘以2π并加回到去噪后的相位图像中，生成连续的相位分布。研究中使用的设备包括Nanoscribe，这是一种高精度的3D打印机，能够制造出具有复杂结构的生物样本和相位图像，进一步验证了该方法在实际应用中的有效性。
在研究过程中，团队面临了多个挑战。首先，高噪声和复杂性是主要问题，实验数据中存在大量噪声和复杂的相位不连续性，传统算法难以处理。研究团队通过深度学习方法，利用大量真实数据进行训练，显著提高了相位展开的鲁棒性和准确性。其次，数据集的构建也是一大挑战。为了训练深度学习模型，研究团队需要构建一个包含多样化相位图像的数据集。这包括合成数据和真实实验数据的生成与增强，以确保模型的泛化能力。此外，模型的优化也是一个重要的研究方向，如何有效地集成AG和RB以提高相位展开的性能。
贡塔兹教授的研究为全息断层成像中的相位展开提供了一种新的解决方案，具有广泛的应用前景。未来的研究方向可能包括进一步优化模型，通过引入更多的深度学习技术和算法，进一步提高相位展开的准确性和速度。此外，将该技术应用于更复杂的生物样本，如组织切片和器官oid，以实现更高的成像质量和更准确的生物分析也是一个重要的方向。研究团队还计划将该相位展开方法集成到实际的全息成像系统中，以实现实时的三维重建和分析。
总之，其团队的研究为全息断层成像中的相位展开提供了创新的解决方案，展示了深度学习在光学成像领域的巨大潜力。随着技术的不断进步和应用的深入，未来有望在生物医学成像和其他领域取得更大的突破。通过结合NanoScribe等先进设备，研究团队能够更好地探索生物样本的复杂结构，为未来的生物医学研究提供更为强大的工具和方法。
相关文献及图片出处
https://doi.org/10.1364/OE.486984
