基于波前传感器的机器学习快速像差测量系统与方法.pdf

《基于波前传感器的机器学习快速像差测量系统与方法.pdf》由会员分享，可在线阅读，更多相关《基于波前传感器的机器学习快速像差测量系统与方法.pdf（14页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910653527.7 (22)申请日 2019.07.19 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 龚薇斯科胡淑文胡乐佳 (74)专利代理机构 杭州求是专利事务所有限公 司 33200 代理人 林超 (51)Int.Cl. G01N 21/64(2006.01) G06N 20/00(2019.01) (54)发明名称 基于波前传感器的机器学习快速像差测量 系统与方法 (57)摘要 本发明公开了一种基于波前传感器。

2、的机器 学习快速像差测量系统与方法。 用马赫曾德干 涉仪通过移相干涉法测量实验样品的畸变相位 分布， 处理得到像差先验信息， 利用像差先验信 息生成相位分布集合； 将相位分布集合依次加载 到空间光调制器后扫描无畸变的荧光样品， 得到 畸变光强分布图样， 建立光强分布集合； 将光强 分布集合与相位分布集合输入机器学习模型中 训练； 扫描待测实验样品获得新光强分布图样， 输入训练后的机器学习模型获得预测像差信息， 得到校正相位； 将校正相位加载到空间光调制器 上形成像差测量。 本发明结合了机器学习算法与 波前传感技术， 提升了光学像差测量速度， 实现 了宽场荧光显微成像中的快速像差测量与校正， 应。

3、用前景好。 权利要求书3页 说明书8页 附图2页 CN 110346340 A 2019.10.18 CN 110346340 A 1.一种基于波前传感器的机器学习快速像差测量系统， 其特征在于： 包括激光器(1)、 光纤(2)、 准直透镜(3)、 二向色镜(5)、 反射镜(5)、 空间光调制器(6)、 中继透镜一(7)、 中继透镜二(8)、 显微物镜(9)、 滤光片(11)、 平板分束器(12)、 中继透镜三 (13)、 中继透镜四(14)、 波前传感器(15)、 成像透镜(16)和相机(17)； 成像光路传播为： 激光 器(1)发射出激光光束依次经光纤(2)、 准直透镜(3)之后入射到二向。

4、色镜(5)上发生反射， 反射光到反射镜(4)上再次反射到空间光调制器(6)上， 经空间光调制器(6)的调制反射光 依次经过中继透镜一(7)与中继透镜二(8)后入射到显微物镜(9)， 透射过显微物镜(9)后在 实验样品(10)内聚焦； 荧光信号入射到显微物镜(9)沿入射光路逆反传播回到二向色镜 (5)， 经过二向色镜(5)透射后， 再经滤光片(11)入射到平板分束器(12)发生透射和反射， 透 射部分的荧光信号再依次经过中继透镜三(13)与中继透镜四(14)后被波前传感器(15)接 收； 反射部分的荧光信号再依次经过成像透镜(16)后被相机(17)接收。 2.根据权利要求1所述的一种基于波前传感。

5、器的机器学习快速像差测量系统， 其特征 在于： 所述的波前传感器(15)为但不限于夏克-哈特曼(Shack-Hartmann)波前传感器、 剪切 干涉仪、 波前曲率传感器、 点衍射自基准波前传感器和金字塔型波前传感器等。 3.根据权利要求1所述的一种基于波前传感器的机器学习快速像差测量系统， 其特征 在于： 所述的相机(17)为但不限于光电倍增管和基于CCD、 EMCCD、 COMS和sCMOS等芯片的相 机。 4.根据权利要求1所述的一种基于波前传感器的机器学习快速像差测量系统， 其特征 在于： 所述实验样品(10)为但不限于可受激发射荧光的活体生物组织、 可受激发射荧光的 离体生物组织及含。

6、有荧光小球的琼脂块等在成像中受到光学散射干扰的样品。 5.一种基于波前传感器的机器学习快速像差测量方法， 其特征在于采用权利要求1-4 任一所述自适应光学扫描显微成像系统， 方法具体包含以下步骤： 1)在马赫曾德(Mach-Zehnder)干涉仪中， 利用马赫曾德(Mach-Zehnder)干涉仪通 过移相干涉法测量一类实验样品的不同局部位置的畸变相位分布， 获得此类实验样品的像 差先验信息； ) 2)根据像差先验信息生成各不相同的相位分布再构建用于机器学习训练的相位分 布集合相位分布集合由两部分组成， 第一部分为随机相位分布集合， 第二部分为 特殊相位分布集合， 其中i1,2,3,n； 3)。

7、在自适应光学扫描显微成像系统中， 在显微物镜(9)的成像焦平面处放置无散射干 扰的荧光样品， 激光器(1)发射出激光光束经未加载相位的空间光调制器(6)的光路传播后 由波前传感器采集获得无畸变光强分布图样， 根据无畸变光强分布图样对进行自适应光学 扫描显微成像系统的光路校准； 4)在显微物镜(9)的成像焦平面处依然放置无散射干扰的荧光样品， 将步骤2)获得的 相位分布集合中的每一相位分布分别依次加载到空间光调制器(6)上， 入射光经过成 像光路传播后在波前传感器(15)上采集获得训练畸变光强分布图样I， 传播过程中经扫描 模块(6)控制扫描照射到荧光样品并激发出荧光信号， 荧光信号受到空间光调。

8、制器(6)上加 载的相位分布所引入的像差干扰； 由不同相位分布对应获得的各个训练畸变光强分布图样I组建构成用于机器学习训练 权利要求书 1/3 页 2 CN 110346340 A 2 的光强分布集合Ii， 光强分布集合Ii由两部分组成， 第一部分为随机相位分布对应的光 强分布集合， 第二部分为特殊相位分布对应的光强分布集合,其中i1,2,3,n， i表示相 位分布集合中的相位分布的序数， n表示相位分布集合中的相位分布的总数； 5)将步骤4)与步骤2)获得的各个训练畸变光强分布图样I与其各自对应的相位分布 作为机器学习训练的输入-输出数据对， 输入到机器学习模型中进行训练获得针对此类实 验样。

9、品的像差测量的最优模型参数， 完成机器学习模型的训练； 6)在显微物镜(9)的成像焦平面处移除无散射干扰的荧光样品并放置像差未知待测的 同类实验样品(10)， 入射光经过未加载相位分布的空间光调制器(6)的成像光路传播后在 波前传感器(15)上采集获得待测畸变光强分布图样I ， 传播过程中经扫描模块(6)控制扫 描照射到实验样品(10)并激发出荧光信号， 荧光信号受到空间光调制器(6)上加载的相位 分布所引入的像差干扰； 7)将步骤6)获得的畸变光强分布图样Ij输入到步骤5)获得的已训练的机器学习模型 中， 预测输出像差预测信息， 通过计算转换得到所需用于校正像差的校正相位； 8)在显微物镜(。

10、9)的成像焦平面处放置像差未知待测的同类实验样品(10)不变， 利用 步骤7)中得到的校正相位加载到空间光调制器(6)上， 入射光经过加载相位分布的空间光 调制器(6)的成像光路传播后在相机(17)上获得像差校正后的待测实验样品的成像结果。 6.根据权利要求5所述的一种基于波前传感器的机器学习快速像差测量方法， 其特征 在于： 所述步骤1)中的畸变相位分布测量采用马赫曾德干涉仪。 7.根据权利要求5所述的一种基于波前传感器的机器学习快速像差测量方法， 其特征 在于： 所述步骤1)中， 像差先验信息具体获得为： 将畸变相位分布通过相位表征函数进行分 解， 通过所用的相位表征函数对各项系数的范围进。

11、行标定， 以标定获得的各项系数的范围 作为像差先验信息。 8.根据权利要求5所述的一种基于波前传感器的机器学习快速像差测量方法， 其特征 在于： 所述步骤2)中的相位分布集合通过泽尼克多项式处理获得， 具体依据步骤1)中所 述的像差先验信息， 每一项泽尼克多项式的系数在其预先标定的范围内进行随机取值， 所 得的系数组通过泽尼克多项式计算得到随机相位分布； 所述的随机相位分布集合构建的具体步骤为： 先对第一项泽尼克多项式系数a1在标定的范围内进行随机取值， 在第一项泽尼克多项 式系数a1每一取值下对第二项泽尼克多项式系数a2在对应标定的范围内随机取值， 再在前 两项泽尼克多项式系数a1， a2的。

12、每一组取值下对第三项泽尼克多项式系数a3在对应标定的 范围内随机取值， 以此方式完成对所有项泽尼克多项式系数ak的随机取值， 以各项泽尼克 多项式系数ak的不同取值组合作为一个系数组， 从而获得一系列各不相同的相位分布， 其 中k1,2,3,36； 所述的特殊相位分布集合构建的具体步骤为： 对每一项泽尼克多项式系数ak在标定的范围内等间隔取10个不同的数值， 同时其他项 的泽尼克多项式系数保持为0， 以此方式完成对所有项泽尼克多项式系数ak的遍历， 以等间 权利要求书 2/3 页 3 CN 110346340 A 3 隔取一个数值下各项泽尼克多项式系数ak的取值组合作为一个系数组， 从而获得一。

13、系列各 不相同的相位分布， 其中k1,2,3,36； 最后将两个部分获得的相位分布合并连接获得相位分布集合 9.根据权利要求5所述的一种基于波前传感器的机器学习快速像差测量方法， 其特征 在于： 所述步骤5)中， 机器学习模型具体采用AlexNet， 针对所测实验样品的像差测量的最 优模型参数包括机器学习模型的卷积核尺寸、 目标函数最小化的参数、 训练的迭代次数以 及训练的数据批次大小等。 10.根据权利要求5所述的一种基于波前传感器的机器学习快速像差测量方法， 其特征 在于： 所述的传播过程中经扫描模块(6)控制后扫描荧光样品并激发出荧光信号， 具体为： 设置扫描模块(6)进行实验样品(10。

14、)的扫描时间与波前传感器的探测时间一致， 入射光经 扫描模块(6)控制后扫描实验样品(10)， 在实验样品(10)中被入射光照射到的部位激发出 荧光信号， 改变入射光照射到实验样品(10)的不同局部位置， 在不同局部位置激发出的荧 光信号在波前传感器(15)的探测时间内被一同接收并在波前传感器(15)上形成光强分布 图样。 权利要求书 3/3 页 4 CN 110346340 A 4 基于波前传感器的机器学习快速像差测量系统与方法 技术领域 0001 本发明属于光学波前畸变快速测量领域的一种像差测量系统与方法， 特别涉及一 种基于波前传感器的机器学习快速像差测量系统与方法， 可应用于高分辨光学。

15、显微成像与 光学波前畸变测量， 为生物医学领域的高速高分辨率成像提供了一种新的技术手段。 背景技术 0002 在生物医学研究中， 常利用光学显微成像技术获得生物组织的深层信息。 但由于 生物组织的折射率不均匀性、 光学元器件的生产精度误差以及介质间的折射率失配， 成像 过程中常会产生光学像差， 从而引起波前畸变， 严重影响了光斑的聚焦情况与成像质量。 并 且随着深度的增加， 引入的光学像差不断累积， 使图像的信噪比和分辨率降低， 成像质量急 剧下降， 大大限制了光学显微成像的深度。 针对这一现象， 目前研究者提出了各种方式克服 成像过程中光学散射的影响， 其中自适应光学技术效果良好， 是目前较。

16、为普遍的一种像差 校正的方式。 0003 早先自适应光学技术应用于天文学中， 修正天体观察中大气湍流所造成的影响。 在光学显微成像领域中， 基于自适应光学技术的像差校正方法原理如下： 利用直接(波前传 感器)或间接测量方法获得各种因素引起的入射波面的波前畸变， 然后通过波前校正器(如 变形镜、 空间光调制器等)对畸变进行补偿， 恢复光学衍射极限。 代表性技术如相干光自适 应技术， 其将入射光瞳划分为若干区域， 利用分块可变形镜或者空间光调制器利用不用频 率对不同分区进行相位调制， 探测焦平面中心各光束相干光强值计算得到不同分区所需的 补偿相位， 将补偿相位分布加载在分块可变形镜或者空间光调制器。

17、上， 完成畸变相位的校 正。 0004 但直接测量方法通常只能够校正低阶像差， 在较深的生物组织中无法获得理想的 校正效果； 此外直接测量方法的波前测量精度有限， 以夏克-哈特曼波前传感器为例， 其探 测精度依赖于质心的定位精度， 常需要额外的算法提升质心定位精度； 而间接测量方法虽 然能获得较为理想的结果， 却需要消耗大量的时间， 无法兼顾时间成本与成像质量， 不利于 活体生物中进行实时成像检测， 制约了其在生物医学领域中的实际应用。 0005 现有技术中申请号为201811314921.X专利涉及了一种基于机器学习的高速高分 辨扫描显微成像系统与方法， 但是其对像差的探测能力有限。 泽尼克。

18、多项式的项数表征了 成像系统的探测能力， 可认为泽尼克多项式的项数越大， 成像系统的探测能力越高。 申请号 为201811314921.X专利中所述方法仅能够对前15项泽尼克多项式系数进行探测， 而本发明 中所述方法能够对前36项泽尼克多项式系数实现探测， 对于系统中存在较大像差的情形， 本发明中所述方法能够得到更为准确的像差探测结果， 从而能够达到更佳的像差校正效 果。 发明内容 0006 为了解决背景技术中存在的问题， 本发明提供了一种基于波前传感器的机器学习 说明书 1/8 页 5 CN 110346340 A 5 快速像差测量系统与方法。 本发明结合了直接波前检测与间接波前检测的方式，。

19、 利用机器 学习理论进行像差校正， 重构入射波前， 并在宽场显微镜中获得像差快速校正的高分辨率 图像， 提高了探测能力。 0007 本发明能够利用移相干涉法对某类实际样品的不同位置的畸变相位分布进行测 量， 获得关于此类实验样品的像差先验信息， 并基于所得的像差先验信息生成大量的相位 分布光强分布数据对用于训练学习， 建立起畸变的波前传感器光强分布图样I与其对应 相位分布 之间的非线性映射关系， 快速得到任意此类实验样品的像差信息， 通过计算后得 到对应的校正相位信息， 进行一定深度下的像差校正， 从而得到高分辨率显微图像。 0008 为了实现上述目的， 本发明采用的技术方案包括以下步骤： 0。

20、009 一、 一种基于波前传感器的机器学习快速像差测量系统： 0010 系统包括激光器、 光纤、 准直透镜、 二向色镜、 反射镜、 空间光调制器、 中继透镜一、 中继透镜二、 显微物镜、 滤光片、 平板分束器、 中继透镜三、 中继透镜四、 波前传感器、 成像透 镜和相机； 成像光路传播为： 激光器发射出激光光束依次经光纤、 准直透镜之后入射到二向 色镜上发生反射， 反射光到反射镜上再次反射到空间光调制器上， 经空间光调制器的调制 反射光依次经过中继透镜一与中继透镜二后入射到显微物镜， 透射过显微物镜后在实验样 品内聚焦； 荧光信号入射到显微物镜沿入射光路逆反传播回到二向色镜， 经过二向色镜透 。

21、射后， 再经滤光片入射到平板分束器发生透射和反射， 透射部分的荧光信号再依次经过中 继透镜三与中继透镜四后被波前传感器接收； 反射部分的荧光信号再依次经过成像透镜后 被相机接收。 0011 所述的系统使用一个显微物镜实现对实验样品的激光入射与荧光信号收集。 0012 所述的波前传感器用于采集经扫描模块进行光束扫描后在实验样品中激发出的 荧光信号， 获得用于像差测量的畸变光强分布图样； 0013 所述的相机用于采集经扫描模块进行光束扫描后激发出的荧光信号， 获得扫描显 微成像的结果。 0014 所述的波前传感器为但不限于夏克-哈特曼(Shack-Hartmann)波前传感器、 剪切 干涉仪、 波。

22、前曲率传感器、 点衍射自基准波前传感器和金字塔型波前传感器等。 0015 所述的相机为但不限于光电倍增管和基于CCD、 EMCCD、 COMS和sCMOS等芯片的相 机。 0016 所述实验样品为但不限于可受激发射荧光的活体生物组织、 可受激发射荧光的离 体生物组织及含有荧光小球的琼脂块等在成像中受到光学散射干扰的样品。 0017 二、 一种基于波前传感器的机器学习快速像差测量方法， 采用上述自适应光学扫 描显微成像系统， 方法具体包含以下步骤： 0018 1)在马赫曾德(Mach-Zehnder)干涉仪中， 利用马赫曾德(Mach-Zehnder)干涉 仪通过移相干涉法测量一类实验样品的不同。

23、局部位置的畸变相位分布， 获得此类实验样品 的像差先验信息； ) 00192)根据像差先验信息生成大量各不相同的相位分布再构建用于机器学习训练 的相位分布集合相位分布集合由两部分组成， 第一部分为随机相位分布集合， 第 二部分为特殊相位分布集合， 其中i1,2,3,n； 0020 每一相位分布中的每个相位值和空间光调制器中的灰度电压值一一对应。 说明书 2/8 页 6 CN 110346340 A 6 0021 3)在自适应光学扫描显微成像系统中， 在显微物镜的成像焦平面处放置无散射干 扰的荧光样品， 即激光照射后不产生荧光的样品， 如荧光染料， 激光器发射出激光光束经未 加载相位的空间光调制。

24、器的光路传播后由波前传感器采集获得无畸变光强分布图样， 根据 无畸变光强分布图样对进行自适应光学扫描显微成像系统的光路校准； 0022 4)在显微物镜的成像焦平面处依然放置无散射干扰的荧光样品， 将步骤2)获得的 相位分布集合中的每一相位分布分别依次加载到空间光调制器上， 入射光经过成像光 路传播后在波前传感器上采集获得训练畸变光强分布图样I， 传播过程中经扫描模块控制 扫描照射到荧光样品并激发出荧光信号， 荧光信号受到空间光调制器上加载的相位分布所 引入的像差干扰， 0023 由不同相位分布对应获得的各个训练畸变光强分布图样I组建构成用于机器学习 训练的光强分布集合Ii， 光强分布集合Ii由。

25、两部分组成， 第一部分为随机相位分布对应 的光强分布集合， 第二部分为特殊相位分布对应的光强分布集合,其中i1,2,3,n， i表 示相位分布集合中的相位分布的序数， n表示相位分布集合中的相位分布的总数； 0024 5)将步骤4)与步骤2)获得的各个训练畸变光强分布图样I与其各自对应的相位分 布 作为机器学习训练的输入-输出数据对， 训练畸变光强分布图样I作为输入， 相位分布 作为输出， 输入到机器学习模型中进行训练获得针对此类实验样品的像差测量的最优模型 参数， 完成机器学习模型的训练； 0025 6)在显微物镜的成像焦平面处移除无散射干扰的荧光样品并放置像差未知待测 的同类实验样品， 入。

26、射光经过未加载相位分布的空间光调制器的成像光路传播后在波前传 感器上采集获得待测畸变光强分布图样I ， 具体可表示为Ij， ji， 传播过程中经扫描模 块控制扫描照射到实验样品并激发出荧光信号， 荧光信号受到空间光调制器上加载的相位 分布所引入的像差干扰， 0026 7)将步骤6)获得的畸变光强分布图样Ij输入到步骤5)获得的已训练的机器学习 模型中， 预测输出像差预测信息， 即可快速获得实验样品的像差预测信息， 通过计算转换得 到所需用于校正像差的校正相位； 0027 8)在显微物镜的成像焦平面处放置像差未知待测的同类实验样品不变， 利用步骤 7)中得到的校正相位加载到空间光调制器上， 入射。

27、光经过加载相位分布的空间光调制器的 成像光路传播后在相机上获得像差校正后的待测实验样品的成像结果， 同时在波前传感器 上形成像差校正后的待测畸变光强分布图样I ， 以进行对照。 0028 所述步骤1)中的畸变相位分布测量采用马赫曾德干涉仪， 通过移相干涉法解出 所测实验样品的相位主值分布。 此后使用路径跟踪方法将相位主值分布解包裹， 获得用于 表征实验样品所引入的像差的连续相位分布。 0029 所述步骤1)中， 像差先验信息具体获得为： 将畸变相位分布通过相位表征函数进 行分解， 通过所用的相位表征函数对各项系数的范围进行标定， 以标定获得的各项系数的 范围作为用于后续机器学习训练所需的像差先。

28、验信息。 0030 所述的相位表征函数包括但不限于泽尼克多项式的正交基底函数。 0031所述步骤2)中的相位分布集合可以但不限于通过泽尼克多项式构成。 0032所述步骤2)中的相位分布集合通过泽尼克多项式处理获得， 以泽尼克多项式 说明书 3/8 页 7 CN 110346340 A 7 为例， 具体依据步骤1)中所述的像差先验信息， 每一项泽尼克多项式的系数在其预先标定 的范围内进行随机取值， 所得的系数组通过泽尼克多项式计算得到随机相位分布； 0033 所述的随机相位分布集合构建的具体步骤为： 0034 先对第一项泽尼克多项式系数a1在标定的范围内进行随机取值， 在第一项泽尼克 多项式系数。

29、a1每一取值下对第二项泽尼克多项式系数a2在对应标定的范围内随机取值， 再 在前两项泽尼克多项式系数a1， a2的每一组取值下对第三项泽尼克多项式系数a3在对应标 定的范围内随机取值， 以此方式完成对所有项泽尼克多项式系数ak的随机取值， 以各项泽 尼克多项式系数ak的不同取值组合作为一个系数组， 从而获得一系列各不相同的相位分 布， 其中k1,2,3,36； 0035 所述的特殊相位分布集合构建的具体步骤为： 0036 对每一项泽尼克多项式系数ak在标定的范围内等间隔取10个不同的数值， 同时其 他项的泽尼克多项式系数保持为0， 以此方式完成对所有项泽尼克多项式系数ak的遍历， 以 等间隔取。

30、一个数值下各项泽尼克多项式系数ak的取值组合作为一个系数组， 从而获得一系 列各不相同的相位分布， 其中k1,2,3,36； 0037最后将两个部分获得的相位分布合并连接获得相位分布集合 0038 具体实施中， 如果第一部分与第二部分的相位分布集合中存在系数组重复， 其不 影响机器学习的训练过程。 0039 然后采用以下公式计算生成入射光的相位分布: 0040 0041 0042 其中， (r, )表示光束的相位分布， ak表示第k项泽尼克多项式系数， k， k 1,2, 3,4,5,6,.n， Zk(r, )表示泽尼克多项式的第k项基函数， n代表泽尼克多项式的总项数， r 表示空间光调制器。

31、中每一点的径向距离， 表示空间光调制器中每一点的方位角， Zk(r, ) 表示泽尼克多项式的第k 项基函数，k,k表示冲激函数。 0043 所述步骤5)中， 机器学习模型具体采用AlexNet， 针对所测实验样品的像差测量的 最优模型参数包括机器学习模型的卷积核尺寸、 目标函数最小化的参数、 训练的迭代次数 以及训练的数据批次大小等。 0044 所述的机器学习模型的训练在扫描显微成像前进行， 所述的训练得到的机器学习 模型在扫描显微成像过程中应用。 0045 所述步骤7)中校正相位可以但不限于通过泽尼克多项式构成： 以泽尼克多项式为 例， 将机器学习模型预测得到的像差信息代入泽尼克多项式中， 。

32、计算所得相位取负， 即为用 于校正像差的校正相位。 0046 所述的传播过程中经扫描模块控制后扫描荧光样品并激发出荧光信号， 具体为： 设置扫描模块进行实验样品的扫描时间与波前传感器的探测时间一致， 入射光经扫描模块 控制后扫描实验样品， 在实验样品中被入射光照射到的部位激发出荧光信号， 改变入射光 照射到实验样品的不同局部位置， 在不同局部位置激发出的荧光信号在波前传感器的探测 时间内被一同接收并在波前传感器上形成光强分布图样， 以此光强分布图样作为实品中被 说明书 4/8 页 8 CN 110346340 A 8 扫描区域的平均像差测量对象。 0047 本发明的核心是利用马赫曾德干涉仪通过。

33、移相干涉法测量某类实验样品的畸 变相位分布， 得到此类实验样品的像差先验信息。 利用所得的像差先验信息生成一系列不 同的相位分布， 建立相位分布集合并将相位分布集合中的相位分布依次加载到空间 光调制器后， 在波前传感器上得到对应的畸变光强分布图样， 建立光强分布集合Ii； 将所 得的光强分布集合与所对应的相位分布集合作为数据对， 输入机器学习模型中训练得到针 对此类实验样品的像差测量的最优模型参数。 此时将像差未知的此类实验样品形成的波前 传感器畸变光强分布图样输入训练好的机器学习模型， 均能快速地预测像差信息， 进而计 算得到校正相位， 在保证像差探测速度的同时获得像差校正后的成像结果。 0。

34、048 传统的基于波前传感器的直接波前探测方法中， 以夏克-哈特曼波前传感器为例， 需要先对获得的无畸变的理想波前传感器光斑点阵进行聚焦点的质心定位， 然后对含有畸 变波前信息的波前传感器光斑点阵以各个理想聚焦点为中心进行区域分割， 并对比理想波 前传感器光斑点阵计算质心偏移量， 然后代入波前重建算法中， 获得畸变波前的整体重建 结果。 本发明所提出的一种基于波前传感器的机器学习快速像差测量系统与方法中将上述 过程简化， 可将整张波前传感器点阵图作为网络输入， 免除区域分割以及质心定位的过程， 直接计算出整体畸变波前， 大大减少了波前探测与重建的时间。 0049 本发明的有益效果是： 0050。

35、 在基于波前传感器的直接波前探测方法的基础上， 本发明首次结合了波前传感器 与机器学习两种工具， 在利用机器学习模型的情况下， 获得了像差测量快且测量误差小的 结果。 通过本发明方法能够高速而准确地测量像差， 提升了波前传感器的像差测量速度， 并 解决了基于机器学习从点扩散函数中进行像差测量的方法的测量范围小及测量误差大的 问题。 本发明基于波前传感器进行直接波前探测， 相比于已公开的基于机器学习从点扩散 函数中进行像差测量的方法， 本发明测量了针对某类实验样品的像差先验信息并以此构建 了专用的机器学习训练模型， 可以更加针对性的对某类实验样品进行快速的像差测量。 除 此之外， 在同等的时间成。

36、本下， 本发明扩大了对实验样品的像差测量范围， 例如， 将泽尼克 多项式系数探测拓展至第36项， 相比于已公开的基于机器学习从点扩散函数中进行像差测 量的方法， 获得了更好的校正效果。 基于机器学习从点扩散函数中进行像差测量的方法无 法应用于泽尼克多项式系数多至36项的像差探测应用中， 而本发明中提出的像差探测方法 能够克服此缺陷， 在本发明的实施例中将对二者的差距进行进一步对比。 0051 与基于机器学习从点扩散函数中进行像差测量的方法相比， 本发明能够在一次测 量中获得更多的像差信息， 因此在进行单次测量的情况下， 例如以泽尼克多项式来表征像 差信息， 本发明能够探测到更高阶的泽尼克多项式。

37、的系数， 且根据像差测量结果计算所得 的校正相位误差更小， 具有更好的校正效果。 因此本发明能够在宽场显微成像中呈现更为 优异的像差测量与校正性能。 0052 本发明的实施将为生物光学显微成像提供一种全新的光学像差测量算法， 极大地 提高了在生物组织宽场显微成像中的光学像差测量速度， 提高了探测能力， 为实时成像观 测提供了新的技术支撑， 在生物医学研究领域中具有重要的应用价值。 说明书 5/8 页 9 CN 110346340 A 9 附图说明 0053 图1为本发明系统的结构示意图。 0054 图2为本发明方法流程图。 0055 图3为实施例中利用波前传感器， 通过机器学习建立的非线性映射。

38、关系得到的泽 尼克多项式系数组合用于已知像差校正的结果。 其中(a)为校正前的图样； (b)为校正后的 图样； (c)为理想图样。 0056 图4为实施例中利用申请号为201811314921.X专利中的方法与本发明中所述方法 对相同的已知像差分别进行像差测量并校正后所得的点扩散函数的分布结果。 其中(a)为 畸变的点扩散函数； (b)为利用本发明中所述方法进行像差测量并进行校正后得到的点扩 散函数； (c)为利用申请号为201811314921.X专利中的方法进行像差测量并进行校正后得 到的点扩散函数。 0057 图5为实施例中利用本发明中所述方法进行像差测量并校正后得到的成像结果。 其中(。

39、a)为校正前的成像结果； (b)为校正后的成像结果； (c)为(a)、 (b)中线段标识部分的 剖面光强比较图， 实线为校正前， 虚线为校正后。 具体实施方式 0058 以下基于波前传感器的机器学习快速像差测量实施例可以更详细的说明本发明， 但不以任何形式限制本发明。 0059 下面结合附图和实施例对本发明作进一步说明， 其具体过程如下： 0060 如图1所示， 本发明具体实施的系统包括激光器1、 光纤2、 准直透镜3、 二向色镜5、 反射镜5、 空间光调制器6、 中继透镜一7、 中继透镜二8、 显微物镜9、 滤光片11、 平板分束器 12、 中继透镜三13、 中继透镜四14、 波前传感器15。

40、、 成像透镜16和相机17。 成像光路传播为： 激光器1发射出激光光束依次经光纤2、 准直透镜3之后入射到二向色镜5上发生反射， 反射 光到反射镜4上再次反射到空间光调制器6上， 经空间光调制器6调制相位后的调制反射光 依次经过中继透镜一7与中继透镜二8后入射到显微物镜9， 透射过显微物镜9后在实验样品 10内聚焦， 激光聚焦于可受激发射荧光的实验样品10； 荧光信号入射到显微物镜9沿入射光 路逆反传播回到二向色镜5， 即依次经过显微物镜9、 中继透镜二8、 中继透镜一7、 空间光调 制器6和反射镜4后回到二向色镜5， 经过二向色镜5透射后， 再经滤光片11入射到平板分束 器12发生透射和反射。

41、， 透射部分的荧光信号再依次经过中继透镜三13与中继透镜四14后被 波前传感器15接收， 获得畸变光强分布图样； 反射部分的荧光信号再依次经过成像透镜16 后被相机17接收， 获得畸变的成像结果。 成像光路传播过程中， 入射光经扫描模块6扫描控 制后在实验样品10中激发荧光信号。 0061 利用本发明方法将待测光路情况下的畸变光强分布图样输入已训练的机器学习 模型中， 预测输出像差信息并计算获得校正相位， 将校正相位加载到空间光调制器6上， 入 射的激光光束受到空间光调制器6调制， 经扫描模块6扫描后， 在实验样品10中激发出更强 的荧光信号， 被显微物镜9接收的荧光信号按入射光路逆反方向传播。

42、， 荧光信号被空间光调 制器6调制， 校正了实验样品10所引入的像差， 最终由相机17记录成像结果作为像差校正后 的荧光成像结果。 0062 整个方法的流程如图2所示， 本发明实施例过程具体如下： 说明书 6/8 页 10 CN 110346340 A 10 0063 1)利用马赫曾德(Mach-Zehnder)干涉仪， 通过移相干涉法测量某类实验样品10 的不同位置的畸变相位分布， 获得针对此类实验样品的像差先验信息。 00642)根据所得的像差先验信息， 生成大量各不相同的相位分布以构建用于机器 学习训练的相位分布集合由两部分组成， 第一部分为随机相位分布集合， 第二 部分为特殊相位分布集。

43、合。 0065 举例： 系数组合分为两部分， 第一部分为(单位： 弧度)： 第2-3项泽尼克系数范围为 (-2,2)， 第4-6项泽尼克系数范围为(-5,5)， 第7-10项泽尼克系数范围为(-4,4)， 第11-15项 泽尼克系数范围为(-3.2,3.2)， 第16-21项泽尼克系数范围为(-2.4,2.4)， 第22-24项泽尼 克系数范围为(-2.1,2.1)， 第25-28项泽尼克系数范围为(-1.1,1.1)， 第29-36项泽尼克系 数范围为(-0.6,0.6)。 在上述系数范围内， 随机取值得到18432组系数组合。 第二部分为特 殊系数组合， 对每一项系数ak等间隔取10个点，。

44、 同时其他系数均置0， 遍历每项系数进行相 同的操作， 得到360组特殊系数组合。 以上共获得18792组泽尼克系数组合， 用于生成训练 集。 0066 3)在系统的成像焦平面处放置无散射干扰的荧光样品， 受激发射的荧光信号经过 未加载相位的空间光调制器6并经成像光路传播后由波前传感器15记录无畸变的理想光强 分布图样， 以此进行系统光路校准。 0067 4)针对步骤2)获得的每一相位分布， 将相位分布加载到空间光调制器6上， 入射光 经过成像光路后， 在波前传感器15上得到畸变的光强图样分布， 记录其光强分布I， 以构建 用于机器学习训练的光强分布集合Ii， Ii由两部分组成， 第一部分为随。

45、机相位分布对应 的光强分布集合， 第二部分为特殊相位分布对应的光强分布集合。 00685)将步骤4)与步骤2)获得的各个畸变光强分布图样I与其各自对应的相位分布 作为机器学习训练的输入-输出数据对， 机器学习模型具体采用AlexNet， 训练后获得针对 此类实验样品的像差测量的最优模型参数。 0069 6)移除无散射干扰的荧光样品并放置像差未知的同类实验样品10， 入射光经过未 加载相位分布的空间光调制器6并经成像光路传播， 入射至显微物镜9， 光束聚焦后照射在 实验样品10上激发出荧光信号， 激发的荧光信号由显微物镜9接收， 按原入射光路返回。 荧 光信号透射经过二向色镜4、 滤光片11与平。

46、板分束器12， 并由波前传感器15记录由实验样品 10的像差所导致的畸变光强分布图样Ij。 0070 7)将步骤6)获得的畸变光强分布图样Ij输入到步骤5)获得的已训练的机器学习 模型中， 可快速获得实验样品10的像差预测信息， 通过计算可得到所需用于校正像差的校 正相位。 0071 8)利用步骤7)中得到的校正相位加载到空间光调制器6上， 入射光经过空间光调 制器6调制后经成像光路传播聚焦于实验样品10中， 激发的荧光信号按原光路返回， 透射经 过二向色镜4与滤光片11， 部分荧光信号经平板分束器12反射后被成像透镜16收集， 在相机 17处获得像差校正后的荧光宽场成像结果； 同时， 另一部。

47、分荧光信号透射经过平板分束器 12后， 在波前传感器15上形成像差校正后的光强分布图样。 0072 本发明具体实施中， 泽尼克多项式系数ak的项数能达到36， 远高于所对比的现有 技术中的项数15的情况。 泽尼克多项式系数ak的项数表征了成像系统的探测能力， 泽尼克 多项式系数ak的项数越大， 成像系统的探测能力越高。 由此也说明了本发明有效地提高了 说明书 7/8 页 11 CN 110346340 A 11 成像探测能力。 0073 对于现有技术的申请号为201811314921.X的专利， 在采用泽尼克多项式系数ak的 项数为36的情况下， 实施结果具体如下： 0074 图3为本发明中利。

48、用波前传感器得到的图像。 在本实施例中， 传感器为夏克-哈特 曼波前传感器， 但不限于此。 加入无散射干扰的荧光样品时， 获得无像差的理想波前传感器 光强分布图样(图3(c)。 在加载实验样品10后， 获得由实验样品10引入的畸变光强分布图 样I(图3(a)， 此图样经归一化、 大小调整等预处理后作为模型的输入， 输出预测的泽尼克 系数。 利用泽尼克系数组合得到探测的波前畸变相位， 将得到的补偿相位对应于灰度值后， 加载于空间光调制器6上， 得到校正后波前传感器处的光强分布图样(图3(b)， 与理想波前 传感器光强分布图样基本一致。 0075 图4为利用基于波前传感器的机器学习快速像差测量方法。

49、得到的点扩散函数校正 效果， 且针对相同的畸变相位， 与基于机器学习从点扩散函数中进行像差测量方法进行对 比。 其中(a)为畸变的点扩散函数； (b)为经过基于机器学习从点扩散函数中进行像差测量 方法校正后的点扩散函数； (c)为经过基于波前传感器的机器学习像差测量方法校正后的 点扩散函数。 均方根(RMS)值常用于表征光学相位或波前的平整程度。 针对一个RMS值为 1.6314(单位： 弧度)的像差进行测量时， 基于机器学习从点扩散函数中进行像差测量的方 法获得的校正相位加上原始像差之后的RMS值为0.4032， 而本发明提出的基于传感器的机 器学习快速像差测量方法获得的校正相位加上原始像差。

50、之后的RMS值为0.0254， 校正之后 相位的平整度大大提高， 表明原始像差被有效地校正。 当实验样品引入像差时， 系统的点扩 散函数峰值光强为0.9031(约化单位)， 利用基于机器学习从点扩散函数中进行像差测量的 方法得到的校正后的系统点扩散函数峰值光强为8.4413， 而利用本发明所提出的方法获得 的校正后的系统点扩散函数峰值光强为37.6824， 说明本发明所提出的方法获得了更好的 像差校正效果。 0076 图5为实施例中利用基于传感器的机器学习快速像差测量方法得到的成像结果。 其中(a)为校正前的成像结果； (b)为校正后的成像结果； (c)为(a)、 (b)中线段标识部分的 剖面。