基于深度学习的平面波相干衍射成像方法、装置、介质及终端制造方法及图纸

本发明专利技术提供一种基于深度学习的平面波相干衍射成像方法、装置、介质及终端，包括：采用相干光源照射待成像样品并处理获取样品的衍射图样；采用相位恢复算法对所述衍射图样的相位及缺失部分进行重构以获取多组实空间图像；基于卷积神经网络预训练模型提取所述实空间图像的特征；对所述实空间图像的特征进行降维处理并聚类；基于聚类误差获取最佳类，并从所述最佳类中提取可靠解作为最终成像结果。本发明专利技术提升了信噪比较低的衍射图样的重构可信度；降低了弱衍射样品成像过程中辐射损伤对成像结果的影响；无需先验知识和人工筛选，可以直接得到相似度高、可重复性强的重构结果；提升了成像分辨率，可以对样品更细节的结构进行表征。征。征。

【技术实现步骤摘要】
基于深度学习的平面波相干衍射成像方法、装置、介质及终端


[0001]本专利技术涉及光学衍射成像
，特别是涉及基于深度学习的平面波相干衍射成像方法、装置、介质及终端。

技术介绍

[0002]X射线自从1895年被伦琴发现以来，由于其优秀的穿透性能，使得成像过程中无需对样品进行切割即可三维成像，与表面研究手段形成了充分的互补，在物理、材料、生物等领域应用愈发广泛。但是在X射线发展初期，实验室使用的X光管亮度低、相干性差、能量范围窄，使用时仍然具有较大的局限性。同步辐射光源技术的发展，大大提高了X射线光源的亮度，尤其是上世纪九十年代第三代同步辐射光源陆续建成，其亮度相较于实验室光源提高了12个量级左右，空间相干性也得到了大幅的提高，基于X射线的表征手段在实验效率和效果才得到了大幅度提升。
[0003]相干衍射成像(Coherent Diffraction Imaging,CDI)就是得益于同步辐射光源而产生的，其理论最早可以追溯到1952年，但是受限于当时的X射线光源亮度和相干性，一直无法在实验中得以实现。而随着世界范围内第三代同步辐射光源的逐渐建成，高亮度、高相干性的X射线光源为相干衍射成像提供了可行的实验基础，终于在1999年第一次从理论走到了现实。相干衍射成像是一种无透镜的成像技术，以短波长的相干X射线为光源，使得其在根本上避免X射线成像元件的工艺限制，理论上可以达到原子级别的分辨率。同时，X射线的穿透能力较强，在三维成像时无需对样品进行切片处理，可以直接对厚样品进行成像。除此之外，根据X射线与物质相互作用的理论，远场近似下的样品衍射信号即为其电子密度分布的傅里叶变换，使得相干衍射成像最终的成像结果是样品的电子密度，无需染色即可达到高分辨和定量表征的目的。
[0004]但是，在使用X射线进行高分辨表征时，辐射损伤是不可避免的。尤其是对于细胞、细胞器等弱衍射生物材料，其本身的散射能力较弱，为了达到高信噪比就必须延长曝光时间。而延长曝光时间又会导致辐射损伤，使得样品结构发生变化，因此必须要在信号强度和辐射剂量之间作平衡，在保证样品不发生变化的同时获得高信噪比的实验数据。特别是对线粒体等无支撑结构的细胞器来说，高分辨的成像更加困难。
[0005]对于相干衍射成像来说，衍射图样的信噪比十分重要。首先，CCD探测器(Charge
‑
coupled Device，电荷耦合元件)接收到的是样品与X射线相互作用发生散射的光子，组成的衍射图样振幅为样品电子密度的傅里叶变换，而在傅里叶空间越高级次(高频)的衍射信号代表样品越细节的结构。而CDI中的主要噪声来源是泊松噪声，这种噪声的特性就是随着信号的增强噪声也会增加，但是整体的信噪比也是提升的。而傅里叶空间高级次的信号相较于低频信号在强度上甚至会下降几个数量级，使得泊松噪声对其影响极大，对生物样品进行成像时往往会无法接收到高信噪比的高频信号导致最终的成像分辨率大大下降。其次，低信噪比的衍射图样会降低图像重构的稳定性。由于CCD探测器无法记录衍射信号的相位信息，单靠振幅信息无法进行成像，但是基于过采样理论得到的衍射图样的振幅包含足
够的已知信息，可以使用相位恢复算法对其相位进行恢复，从而重构出实空间样品图像。因此相干衍射成像的样品图像重构过程是通过对衍射图样的相位恢复实现的，这些算法通过在实空间和倒易空间施加约束条件，循环迭代地进行恢复相位，最终实现图像重构。当实验得到的衍射图样信噪比过低时，相位恢复算法的稳定性大大下降，在收敛速度下降的同时容易陷入局部最小值，导致最终重构出的实空间图像结构差异较大，即便是相近的重构误差也可能出现结构差异。通常的做法是人为地基于生物学常识对重构结果进行筛选，但是这种作法需要丰富的先验知识，受主观影响较大。另外，目前相干衍射成像的数据集越来越庞大，这种基于人力的手段耗时较长，迫切地需要一种可以智能地对低信噪比成像结果进行区分的方法。
[0006]深度学习伴随着近几年计算资源的飞速发展迅猛崛起，目前被广泛应用于各个领域，比如：语音识别、语言翻译、图像分类、自动驾驶等等。作为一种数据驱动的方法，深度学习在处理大数据时具有不可比拟的优势。大数据可以为深度神经网络提供更精确的网络权重，而深度神经网络又可以为大数据提供快速、精确的数据分析。也正是这种对大数据的适应性，深度学习拥有为平面波相干衍射成像的重构结果提供分析手段的潜力，然而目前这一领域仍是欠缺的。

技术实现思路

[0007]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供基于深度学习的平面波相干衍射成像方法、装置、介质及终端，用于解决现有技术中衍射成像分辨率低的技术问题。
[0008]为实现上述目的及其它相关目的，本专利技术的第一方面提供一种基于深度学习的平面波相干衍射成像方法，包括：采用相干光源照射待成像样品并处理获取样品的衍射图样；采用相位恢复算法对所述衍射图样的相位及缺失部分进行重构以获取多组实空间图像；基于卷积神经网络预训练模型提取所述实空间图像的特征；对所述实空间图像的特征进行降维处理并聚类；基于聚类误差获取最佳类，并从所述最佳类中提取可靠解作为最终成像结果。
[0009]于本专利技术的第一方面的一些实施例中，所述衍射图样的获取方式包括：采用相干光源照射获取所述待成像样品的衍射信号；对所述衍射信号进行数据分析以获取正常衍射信号；基于所述正常衍射信号中低频和高频信号之间的重合部分，计算两者之间的差异系数以对所述低频信号和高频信号进行拼接；对拼接后的衍射信号进行中心对称补充以获取中心部分缺失的衍射图样。
[0010]于本专利技术的第一方面的一些实施例中，所述平面波相干衍射成像方法包括：采用基于过采样平滑恢复算法和误差最小化算法的联用算法对所述衍射图样进行相位恢复；并在重构过程中将待成像样品的轮廓作为约束边界。
[0011]于本专利技术的第一方面的一些实施例中，所述平面波相干衍射成像方法包括：基于主成分分析对所述实空间图像进行特征提取以获取图像主成分；基于所述图像主成分的信息量选取坐标轴以获取对应的散点图；基于所述散点图对不同结构的实空间图像进行分析以获得聚类数；基于所述聚类数，使用k
‑
means算法对所述实空间图像进行聚类；基于所述聚类结果从中选取最佳类。
[0012]于本专利技术的第一方面的一些实施例中，所述最佳类包括：误差最小且包含最多实
空间图像的一类。
[0013]于本专利技术的第一方面的一些实施例中，所述平面波相干衍射成像方法包括：通过裁剪或者像素加和的方式获取预设尺寸的所述衍射图样；采用相位恢复算法对预设尺寸的所述衍射图样的相位及缺失部分进行重构以获取多组实空间图像。
[0014]于本专利技术的第一方面的一些实施例中，所述可靠解的提取方式包括：计算所述最佳类中各个所述实空间图像的误差；选取其中误差最小的预设组数的重构结果并取平均以获取所述可靠解。
[0015]为实现上述目的及其它相关目的，本专利技术的第二方面提供一种基于深度学习的平面波相干衍射成像装置，包括：衍射图样获取模块，用于采用相干本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的平面波相干衍射成像方法，其特征在于，包括：采用相干光源照射待成像样品并处理获取样品的衍射图样；采用相位恢复算法对所述衍射图样的相位及缺失部分进行重构以获取多组实空间图像；基于卷积神经网络预训练模型提取所述实空间图像的特征；对所述实空间图像的特征进行降维处理并聚类；基于聚类误差获取最佳类，并从所述最佳类中提取可靠解作为最终成像结果。2.根据权利要求1所述的基于深度学习的平面波相干衍射成像方法，其特征在于，所述衍射图样的获取方式包括：采用相干光源获取所述待成像样品的衍射信号；对所述衍射信号进行数据分析以获取正常衍射信号；基于所述正常衍射信号中低频和高频信号之间的重合部分，计算两者之间的差异系数以对所述低频信号和高频信号进行拼接；对拼接后的衍射信号进行中心对称补充以获取中心部分缺失的衍射图样。3.根据权利要求1所述的基于深度学习的平面波相干衍射成像方法，其特征在于，包括：采用基于过采样平滑恢复算法和误差最小化算法的联用算法对所述衍射图样进行相位恢复；并在重构过程中将待成像样品的轮廓作为约束边界。4.根据权利要求1所述的基于深度学习的平面波相干衍射成像方法，其特征在于，包括：基于主成分分析对所述实空间图像进行特征提取以获取图像主成分；基于所述图像主成分的信息量选取坐标轴以获取对应的散点图；基于所述散点图对不同结构的实空间图像进行分析以获得聚类数；基于所述聚类数，使用k
‑
means算法对所述实空间图像进行聚类；基于所述聚类结果从中选取最佳类。5.根据权利要求1所述的基于深度学习的平面波...

【专利技术属性】
技术研发人员：江怀东，潘旦，范家东，
申请(专利权)人：上海科技大学，
类型：发明
国别省市：