Optische beeldvorming en karakterisering van zwak verstrooiende fase-objecten, zoals geïsoleerde cellen, bacteriën en dunne weefselcoupes die vaak worden gebruikt in biologisch onderzoek en medische toepassingen, zijn al tientallen jaren van groot belang. Vanwege hun optische eigenschappen is de hoeveelheid verstrooid licht, wanneer deze 'fase-objecten' worden belicht met een lichtbron, meestal veel minder dan het licht dat direct door het preparaat gaat, wat resulteert in een slecht beeldcontrast bij traditionele beeldvormingsmethoden. Dit lage beeldcontrast kan worden ondervangen door bijvoorbeeld chemische vlekken of fluorescerende tags te gebruiken. Deze externe etiketterings- of kleurmethoden zijn echter vaak vervelend, kostbaar en bevatten giftige chemicaliën.

Kwantitatieve fasebeeldvorming (QPI) is naar voren gekomen als een krachtige labelvrije benadering voor optisch onderzoek en detectie van verschillende zwak verstrooiende, transparante fase-objecten. De afgelopen decennia zijn er talloze digitale methoden ontwikkeld voor kwantitatieve fasebeeldvorming op basis van beeldreconstructie-algoritmen die op computers worden uitgevoerd om het fasebeeld van het object te herstellen van verschillende interferometrische metingen. Deze digitale QPI-technieken, aangedreven door grafische verwerkingseenheden (GPU's), zijn gebruikt in verschillende toepassingen, waaronder pathologie, celbiologie, immunologie en kankeronderzoek.

In een nieuw onderzoeksartikel gepubliceerd in Advanced Optical Materials , heeft een team van optische ingenieurs, onder leiding van professor Aydogan Ozcan van de afdeling Electrical and Computer Engineering en California NanoSystems Institute (CNSI) aan de University of California, Los Angeles (UCLA), een diffractief optisch netwerk ontwikkeld om de gebruikte algoritmen voor digitale beeldreconstructie te vervangen in QPI-systemen met een reeks passieve optische oppervlakken die ruimtelijk zijn ontworpen met behulp van deep learning. In tegenstelling tot de conventionele QPI-systemen, waarbij de faseherstelstap wordt uitgevoerd op een digitale computer met behulp van een intensiteitsmeting of een hologram, verwerkt een diffractief QPI-netwerk rechtstreeks de optische golven die door het object zelf worden gegenereerd om de fase-informatie van het monster als het licht op te halen. plant zich voort via het diffractieve netwerk. Daarom worden de volledige faseherstel- en kwantitatieve fasebeeldvormingsprocessen voltooid met de snelheid van het licht en zonder de noodzaak van een externe stroombron, behalve het verlichtingslicht. Nadat het licht interageert met het object van interesse en zich voortplant door de ruimtelijk gemanipuleerde passieve lagen, verschijnt het herstelde fasebeeld van het monster aan de uitgang van het diffractieve netwerk als een intensiteitsbeeld, waarbij de fasekenmerken van het object bij de ingang met succes worden omgezet in een intensiteitsbeeld aan de uitgang.

Deze resultaten vormen de eerste volledig optische fase-ophaal- en fase-naar-intensiteitstransformatie die wordt bereikt door diffractie. Volgens de resultaten gepresenteerd door het UCLA-team, kunnen de diffractieve QPI-netwerken die zijn getraind met behulp van deep learning niet alleen generaliseren naar onzichtbare, nieuwe fase-objecten die statistisch lijken op de trainingsbeelden, maar ook generaliseren naar geheel nieuwe soorten objecten met verschillende ruimtelijke kenmerken. Bovendien zijn deze diffractieve QPI-netwerken zo ontworpen dat de kwantificering van de invoerfase onveranderlijk is voor mogelijke veranderingen in de lichtintensiteit van de verlichting of de detectie-efficiëntie van de beeldsensor. Het team toonde ook aan dat de diffractieve QPI-netwerken kunnen worden geoptimaliseerd om hun kwantitatieve fasebeeldkwaliteit te behouden, zelfs onder mechanische verkeerde uitlijning van de diffractieve lagen.

De diffractieve QPI-netwerken die door het UCLA-team zijn gerapporteerd, vertegenwoordigen een nieuw fase-beeldvormingsconcept dat, naast de superieure rekensnelheid, het faseherstelproces voltooit wanneer het licht door dunne, passieve diffractieve oppervlakken gaat, en daarom het stroomverbruik en het geheugengebruik elimineert vereist in digitale QPI-systemen, wat mogelijk de weg vrijmaakt voor verschillende nieuwe toepassingen in microscopie en detectie. + Verder verkennen

Diffractieve optische netwerken reconstrueren onmiddellijk hologrammen zonder een digitale computer