Optical Diffraction Tomography based on 3D Physics-Inspired Neural Network (PINN)

要約

光学回折トモグラフィー（ODT）は、半透明のサンプルの屈折率（RI）の3D再構成に使用される新しい3Dイメージング技術です。
Born近似やRytov近似など、さまざまなサンプルのホログラフィック検出に基づいて3D RIを再構築するために、さまざまな逆モデルが提案されています。
ただし、このような近似は通常、光軸に沿った最終的な再構成の延長をもたらす、いわゆるミッシングコーンの問題に悩まされます。
物理的なフォワードモデルと、k空間を埋めて欠落コーンの問題を排除し、より良い再構成精度に到達することを目的とした誤差関数に依存して、欠落コーンの問題を解決するために、さまざまな反復スキームが提案されています。
この論文では、3Dニューラルネットワーク（NN）を使用する別のアプローチを提案します。
NNは、光波伝搬の物理学に基づく物理モデルから導出されたコスト関数でトレーニングされます。
3D NNは、3D RI再構成（つまり、BornまたはRytov）の初期推定から始まり、誤差関数に基づいてより適切な3D再構成を再構築することを目的としています。
この手法を使用すると、不適切な再構成（BornまたはRytov）とグラウンドトゥルース（真の形状）との関係の例なしでNNをトレーニングできます。

要約(オリジナル)

Optical diffraction tomography (ODT) is an emerging 3D imaging technique that is used for the 3D reconstruction of the refractive index (RI) for semi-transparent samples. Various inverse models have been proposed to reconstruct the 3D RI based on the holographic detection of different samples such as the Born and the Rytov approximations. However, such approximations usually suffer from the so-called missing-cone problem that results in an elongation of the final reconstruction along the optical axis. Different iterative schemes have been proposed to solve the missing cone problem relying on physical forward models and an error function that aims at filling in the k-space and thus eliminating the missing-cone problem and reaching better reconstruction accuracy. In this paper, we propose a different approach where a 3D neural network (NN) is employed. The NN is trained with a cost function derived from a physical model based on the physics of optical wave propagation. The 3D NN starts with an initial guess for the 3D RI reconstruction (i.e. Born, or Rytov) and aims at reconstructing better 3D reconstruction based on an error function. With this technique, the NN can be trained without any examples of the relation between the ill-posed reconstruction (Born or Rytov) and the ground truth (true shape).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google