IOE封面 | 【物理驱动深度学习】攻克部分相干光高精度定量相位成像难题

在我们熟悉的显微镜下，观察被染色的细胞并非难事，但很多生物样本（如活细胞）是透明或近乎透明的，难以直接观察其精细结构。定量相位成像技术应运而生，它如同一台“无标记”的显微镜，能够通过检测光穿过样本后产生的、人眼无法分辨的相位延迟，将其转化为高对比度的图像，从而无需染色即可清晰看到细胞内部结构。然而，在更接近实际照明条件的部分相干光下，光线的行为变得复杂。传统的相位恢复方法要么精度不足，要么计算极其耗时，尤其在观测强散射的厚样本或结构复杂的活细胞时，这一矛盾尤为突出。因此，如何在复杂光场下，既“看得清”又“算得快”，成为该领域研究者们长期面临的挑战。

近日，南京理工大学陈钱、左超教授团队在《智能光电（英文）》（Intelligent Opto-Electronics，IOE）上发表了一项突破性研究，他们成功将物理模型与深度学习深度融合，提出了一种名为“物理驱动深度学习光强传输定量相位成像”的新框架，为上述挑战提供了一个强有力的解决方案。该研究的核心目标是解决部分相干照明下相位恢复的精度与效率难题。研究方法上，团队独辟蹊径，将经典的数学优化算法展开成一个仅含四层的轻量化神经网络。在这个网络中，研究者嵌入了描述光传播物理规律的“弱物体传输函数”作为内在线性约束，同时在训练过程中引入了一个完整的非线性成像模型来确保结果与物理现实一致。这种“双管齐下”的策略，使得网络无需海量数据便能深刻理解背后的光学物理过程。

图1 PDL-TIQPI框架示意图，展示了从训练数据获取到网络重建的全过程

研究成果显示，该方法在数据利用效率与成像质量方面均有明显提升。研究团队基于交替方向乘子法（ADMM）的数学架构，构建了PDL-TIQPI轻量化网络（图1），将光传播的物理规律作为内在约束嵌入网络结构中。该设计使模型在训练中仅需不足百组样本即可达到接近理论极限的相位重建精度，显著降低对大规模训练数据的依赖。仿真实验结果（图2）表明，该方法在部分相干光照明条件下的重建误差低于传统物理方法与纯数据驱动的深度学习模型，相位恢复稳定性更高。在活体HeLa细胞成像中（图3），该方法能够清晰分辨出细胞内微小囊泡等亚细胞结构，图像边界清晰、结构完整；而基于U-Net的重建结果则出现明显模糊与伪影，显示该方法在复杂生物样本中具备更可靠的成像能力。此外，该方法的单次重建时间可达毫秒级，为活细胞动态过程的无标记实时观测提供了技术基础。

图2 PDL-TIQPI与现有方法的仿真结果对比图

研究结论表明，PDL-TIQPI通过物理与智能的有机融合，成功地在小数据、高精度、高效率之间取得了优异平衡。这项工作不仅为生命科学研究和医学诊断提供了一种强大、便捷的无标记成像工具，也为解决其他复杂的光学逆问题提供了崭新的思路。该工作以“Physics-informed deep learning transport-of-intensity quantitative phase imaging: accurate phase retrieval under partially coherent illumination”为题发表在Intelligent Opto-Electronics 2025年第1期。

图3 在活HeLa细胞成像中，PDL-TIQPI能清晰分辨出细胞内细微结构，而传统U-Net方法则出现模糊和伪影

【基金支持】该工作得到了国家自然科学基金项目(项目号62227818, 62361136588, 62305162, U21B2033, 62505136,62575139) 、国家重点研发计划（2022YFA1205002、2024YFE0101300）及江苏省基础研究计划（BK20192003）等项目的支持。