Optics Express 2025|基于深度学习的无伪影相位恢复技术在差分干涉对比显微镜中的应用

差干涉对比显微镜（DIC）作为一种无标记、对比度高、成像能力强的光学切片成像方法，广泛应用于细胞或组织的常规检查。然而，由于DIC图像强度与样品相位梯度之间固有的非线性关系，难以准确地获得定量的相位图像。此外，尽管数值积分已被尝试作为一种重建试样相位的手段，但未知的积分常数和对梯度噪声的敏感性导致相位图像结果不充分（被严重的线性伪影遮蔽）。在这里，我们提出了一种数据驱动的方法来实现无伪影、高精度和快速的试样相位重建。该方法首先利用数字全息提取的标本相位，构建基于DIC显微成像模型的“标本相位差相”训练数据库。随后，采用Pix2Pix GAN网络模型，实现适当的损失函数和梯度反向传播算法，使网络能够自动更新权参数。这一过程使训练后的网络模型能够有效地反映试样与差相之间的映射关系。利用经过训练的深度神经网络，仅使用沿单个剪切方向的微分相位图像即可实现高精度无伪影的试样相位重建。通过对聚苯乙烯球冠和HeLa细胞的定量相位成像，验证了该方法的有效性和适用性。实验结果表明，该模型能快速实现高保真、无伪影的试样相位重建，并具有良好的抗噪声性能。它为实现定量DIC显微成像技术的高空间灵敏度检测提供了一种很有前途的技术。