顕微鏡のためのディープトランスファー学習に基づく波面再構成

Wavefront reconstruction based on deep transfer learning for microscopy.

• Yuncheng Jin
• Jiajia Chen
• Chenxue Wu
• Zhihong Chen
• XIngyu Zhang
• Hui-Liang Shen
• Wei Gong
• Ke Si

抄録

波面再構成における機械学習の応用は、生物医学研究におけるリアルタイムで非侵襲的な深部組織イメージングに大きな利益をもたらしてきた。しかし、生体組織の多様性と不均一性のために、統一モデルを用いてデータセットを訓練することは困難である。一般的に、いくつかの統一モデルの利用は、特定のサンプルがトレーニングセットの外に落ちる結果となり、いくつかの実際のアプリケーションにおける機械学習モデルの精度の低さにつながる。本論文では，トレーニングセットとターゲットテストセットの違いによってもたらされる領域シフトを克服するために，伝達学習に基づくセンサレス波面再構成法を提案する．ゼルニケ係数予測のための重み共有型2ストリーム畳み込みニューラルネットワーク(CNN)フレームワークを構築する。また、ラベル付けされていないターゲット領域のデータに領域適応した大量のラベル付けされた模擬データを用いて学習を行うことで、ターゲット組織のサンプルに対してより良い性能を示すことがわかった。実験結果から，提案手法の精度は従来のCNNベースの手法と比較して18.5%向上し，ほぼ同じ学習時間と処理時間で点広がり関数のピーク強度が20%以上向上することが示された．ターゲットサンプル上での補償性能が向上したことで、複雑な収差、特に屈折率の不均一性や生体組織内の生体運動など、様々な組織学的特性に起因する収差を扱う際に、より多くの利点が得られる可能性があると考えられる。

The application of machine learning in wavefront reconstruction has brought great benefits to real-time, non-invasive, deep tissue imaging in biomedical research. However, due to the diversity and heterogeneity of biological tissues, it is difficult to train the dataset with a unified model. In general, the utilization of some unified models will result in the specific sample falling outside the training set, leading to low accuracy of the machine learning model in some real applications. This paper proposes a sensorless wavefront reconstruction method based on transfer learning to overcome the domain shift introduced by the difference between the training set and the target test set. We build a weights-sharing two-stream convolutional neural network (CNN) framework for the prediction of Zernike coefficient, in which a large number of labeled randomly generated samples serve as the source-domain data and the unlabeled specific samples serve as the target-domain data at the same time. By training on massive labeled simulated data with domain adaptation to unlabeled target-domain data, the network shows better performance on the target tissue samples. Experimental results show that the accuracy of the proposed method is 18.5% higher than that of conventional CNN-based method and the peak intensities of the point spread function (PSF) are more than 20% higher with almost the same training time and processing time. The better compensation performance on target sample could have more advantages when handling complex aberrations, especially the aberrations caused by various histological characteristics, such as refractive index inhomogeneity and biological motion in biological tissues.