ディープニューラルネットワークは、3Dポイントスプレッド関数から正確に位相情報を読み出す

ほとんどの光学イメージング技術は、強度情報のみをとらえる、つまりセンサに入ってくる位相情報は失われる｡ある種のイメージングシステム、例えば顕微鏡では、対象が透明だとしても位相に影響を与えるかもしれないので、位相情報の検出つまり読出しがイメージングプロセスの改善に役立つ｡位相読出しは、強度情報から隠れた位相情報を計算的に回復することであり、これは存在するが従来の形式では遅い｡役に立つ量の位相情報を読み出すには集中的な計算が必要である｡
　この問題に対処して、米スタンフォード大 のレオンハート・ メクル氏（Leonhard Möckl）、ペーター・ペトロフ氏（Petar Petrov）とW. E.モーナー氏（Moerner）は、深層残差ニューラルネットワーク（NN）に基づいて位相読出し技術を開発した｡これは、一般的なポイントスプレッド関数（PSF）の隠れた位相を迅速かつ正確に抽出し、その情報をゼルニケ係数として返す｡ディープNNは、入力と出力の間にマルチネットワーク層を持つ｡このタイプのNNでは、データは入力から出力へ、フィードバック（データの後方ループ）なしで層を通して進む｡
　スタンフォード大の位相読出しアプローチは、いわゆる残差NNに基づいている｡ここでは、NNを介して浸透する情報が層をスキップすることがあり、これがNNのトレーニングに役立つ｡NNをトレーニングした後、それは入力として、焦点位置の範囲でとられたPSFの一連の2D強度計測を利用する｡NNは、その情報を処理し、1 ～ 6次（いわゆる2 ～ 28のノルインデクスに対応する。ノルインデクスは、一次元数であり、特殊ゼルニケ次数がシングルナンバーで表される）のゼルニケ係数を出力する｡
　そのNNの効果をテストするためにスタンフォード大の研究者は、多数のPSFをシミュレートした｡それぞれがランダムに選ばれた一連の異なる1 ～ 6次のゼルニケの結果となる｡ PSFシミュレーションは、焦点位置-1、-0.5、0、0.5及び1μmで計算され、ゼルニケ係数における変動は、2λ｡結果としてのPSFは、NNの入力として使用された。

（もっと読む場合は出典元へ）
出典元
http://ex-press.jp/wp-content/uploads/2020/07/10_wn_neural_networks.pdf