申请/专利权人：华东师范大学

申请日：2024-04-02

公开（公告）日：2024-06-21

公开（公告）号：CN117970660B

主分类号：G02B27/58

分类号：G02B27/58;G02B27/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明公开了一种时域压缩超分辨高速成像装置，其帧率达到1200帧秒，空间分辨率达到100纳米，由荧光照明系统、压缩采样系统、瞬态采样系统和计算机四个部分组成。在拍摄荧光动态场景时，压缩采样系统利用时域压缩显微技术通过从一幅压缩图像重建多幅图像来提升成像速度，瞬态采样系统采集的瞬态图像辅助时域压缩成像的重构，使用基于深度学习的超分辨图像重建技术实现成像分辨率的提升。相比于传统的超分辨成像装置，本发明提升了成像速度，具有优异的高速超分辨成像性能，为精细结构研究，特别是生物医学领域的高速动力学行为研究提供了理想的工具。

主权项：1.一种时域压缩超分辨高速成像装置，其特征在于，所述装置包括荧光照明系统100、瞬态采样系统200、压缩采样系统300与计算机400；所述的荧光照明系统100包括随着光路依次连接的连续激光器101、激光扩束器102、第一透镜103、二向色镜104、物镜105和荧光样品106；所述的连续激光器101能连续产生波长为532纳米的激光；激光在水平方向上传播，经激光扩束器102扩束后由第一透镜103聚焦，后被二向色镜104沿铅垂线向上反射进入物镜105，照明荧光样品106；荧光样品106所激发的光沿原光路返回二向色镜104，通过二向色镜104继续沿铅垂线向下传播进入瞬态采样系统200；所述的二向色镜104的反射面的法线与连续激光器101出射的激光光路在同一个铅垂面内，且该法线与光路的夹角为45°；所述的瞬态采样系统200包括第一反射镜201、激光分束器202、第二透镜203和第一相机204；所述的第一反射镜201的法线与通过二向色镜104向下传播的光束在同一铅垂面内，且该法线与光路的夹角为45°；光束经第一反射镜201反射在水平方向上传播；所述的激光分束器202接收经第一反射镜201反射的光束并将其分为两束同等性质的光束，一束沿着原方向继续传播，一束与原方向垂直传播；两束分光在同一水平面内；沿原方向传播的光经第二透镜203聚焦，被第一相机204接收并记录；所述的压缩采样系统300包括第二反射镜301、第三透镜302、数字微镜设备DMD303、第三反射镜304、第四透镜305、第五透镜306和第二相机307；压缩采样系统300所有器件的中心均在同一水平面上；所述的第二反射镜301用于接收并反射激光分束器202所分束的光，其传播方向平行于瞬态采样系统200的光束传播方向；所述的数字微镜设备DMD303为有着1920×1080的微镜阵列，每个微镜的边长为7.56微米；光束在经所述数字微镜设备DMD303反射后再次被第三反射镜304反射；所述的第三反射镜304、第四透镜305、第五透镜306和第二相机307的光心在同一直线上，即光束传播方向；此方向平行于瞬态采样系统200中的光束传播方向；光经第五透镜306聚焦，被第二相机307接收并记录；所述的计算机400提供同步触发信号，其分别连接着第一相机204、数字微镜设备DMD303和第二相机307；所述计算机400搭载了一种增强时域压缩超分辨显微算法即TCSRM算法，其具体数据处理过程如下：设原始的动态场景为Dx，y，t，此场景在被物镜收集后转换为衍射受限的动态场景Bx，y，t；此过程视为Dx，y，t与物镜点扩散函数的卷积PSF，表示为：Bx，y，t＝HDx，y，t＝Dx，y，t*PSFx，y1其中H是衍射极限算符；Bx，y，t由两个通道同步采样：压缩采样CS通道和瞬态采样TS通道；CS通道用于采集Bx，y，t的全部时空信息，TS通道用于获取该动态场景某一时刻的空间信息；在CS通道中，数字微镜设备DMD的随机模式Cx，y，t对Bx，y，t进行编码，编码后场景被第二相机307在时长为ΔtCS的曝光时间内累加，记录为一张压缩图像MCSx，y；其过程表示为： OCS代表CS通道算符；在TS通道中，Bx，y，t在极短时间Δtref内的瞬态场景作为参考图像被第一相机204记录；设Oref为TS通道算符，第一相机204记录参考图像Mrefx，y的过程表示为： R是融合估计算符，Vx和Vy是运动矢量V在水平方向和竖直方向上的分量，基于动态场景的时空连续性，Bx，y，t继续表示为： 基于压缩感知理论，通过求解约束优化问题，得到动态场景的最佳近似： 其中λ为取决于CS和TS通道之间的光通量之比的通道权重因子，ρ为稀疏性约束的正则化因子，Φ为稀疏变换算符；式5是一个约束优化问题，其被分成三个子问题求解，包括压缩感知恢复问题、运动估计问题和图像超分辨问题；三个子问题通过带约束的交替迭代逐步求解： 其中Bcr是CS通道中基于压缩图像MCSx，y获得的粗重建结果，Bfr是结合CS通道和TS通道的信息得到的精细重建结果；Dr为恢复的超分辨动态场景，ρ1和ρ2为各子问题的正则化因子，Φ1和Φ2是各子问题的稀疏变换算符；S是单图超分辨算符，其基于深度学习实现成像分辨率增强；n和m分别为式7和式8的迭代次数；采用梯度下降算法，式6、式7和式8通过平衡超分辨映射、测量约束和稀疏性约束进行迭代计算；最终重构得到一个受到衍射极限限制的动态场景；为了突破衍射的极限，使用基于深度学习的神经网络DFCAN来处理上述动态场景；DFCAN利用傅里叶频域中不同特征映射的功率谱特征，精确地在低分辨率和高分辨率图像空间之间建立映射，计算重构结果与实际测量值之间的误差E，表示为： 误差Em将在每次迭代中计算；一旦误差Em小于预设的阈值，即重构结果非常接近于待测的动态场景，就视为获得期望的超分辨动态场景。

全文数据：

权利要求：

百度查询： 华东师范大学 一种时域压缩超分辨高速成像装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD