FLASHμ: Fast Localizing And Sizing of Holographic Microparticles

要約

回折画像からの微粒子の3D位置とサイズの再構築 – ホログラム – は、物理学ベースの再構築方法を使用して伝統的に解決されてきた計算的に高価な逆問題です。
最近では、研究者は機械学習方法を使用してプロセスを高速化しました。
ただし、大規模なサンプルボリュームの小さな粒子の場合、これらの方法の性能は標準的な物理ベースの再構成方法に及ばないものです。
ここでは、2段階のニューラルネットワークアーキテクチャであるFlash $ \ MU $を設計して、最大20cmまでの大きなサンプル深さを持つホログラムから小さな粒子（6-100 $ \ MU $ m）を検出しました。
物理ノイズが追加された合成データでのみ訓練されたこの方法は、元の解像度の4分の1で標準の再構成ベースのアプローチに匹敵し、標準の再構成ベースのアプローチに匹敵する、実際のホログラムの少なくとも9 $ \ mu $ mの粒子を確実に検出します。
非ローカルオブジェクトの検出または信号デミキシングの問題への新しいアプローチを導入することに加えて、私たちの作業は、低コストのリアルタイムホログラフィックイメージングセットアップを可能にする可能性があります。

要約(オリジナル)

Reconstructing the 3D location and size of microparticles from diffraction images – holograms – is a computationally expensive inverse problem that has traditionally been solved using physics-based reconstruction methods. More recently, researchers have used machine learning methods to speed up the process. However, for small particles in large sample volumes the performance of these methods falls short of standard physics-based reconstruction methods. Here we designed a two-stage neural network architecture, FLASH$\mu$, to detect small particles (6-100$\mu$m) from holograms with large sample depths up to 20cm. Trained only on synthetic data with added physical noise, our method reliably detects particles of at least 9$\mu$m diameter in real holograms, comparable to the standard reconstruction-based approaches while operating on smaller crops, at quarter of the original resolution and providing roughly a 600-fold speedup. In addition to introducing a novel approach to a non-local object detection or signal demixing problem, our work could enable low-cost, real-time holographic imaging setups.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google