Compressed sensing and learning-based methods for super-resolution structured illumination microscopy

Optik mikroskop kullanarak, çoğu virüs, protein ve küçük moleküllerin Abbe kırınım limiti nedeniyle görüntülenmeleri zordur. Süper çözünürlüklü yapılandırılmış aydınlatma mikroskop (SIM) tekniği bu problemi çözer ve yanal çözünürlüğü kırınım sınırının yarısına kadar genişletir. SIM tekniğinin problemi, tek bir süper çözünürlüklü görüntüyü yeniden oluşturmak için en az dokuz ham görüntü kaydetme ihtiyacından kaynaklanmaktadır. Bu gereklilik iki sonuca neden olur; florışıldama bozulması ve görüntü kalitesinin hareket nedeniyle bozulması. Ham görüntüleri kaydetmek için (yüksek dinamik süreçleri gözlemlemek için) ve numuneye daha az uyarma ışığı yansıtmak için (foto ağartmayı önlemek için) son derece hızlı bir sisteme ihtiyacımız var. Sıkıştırılmış algılama (CS), bu hedeflere ulaşmak için bir aday olabilir. İlk olarak, CS, kamera yerine bir fotoçoğaltıcı tüp (PMT) ile bir nesne sahnesini kaydetmemize izin verir. Bir PMT'nin çekim hızı, bilimsel bir tamamlayıcı metal oksit yarı iletken (sCMOS) kamerasından çok daha hızlıdır. İkinci olarak, CS yöntemiyle sahne, daha hızlı örneklenir (dijital mikro aynanın (DMD) yüksek hızı olması sayesinde) ve ayrıca daha düşük uyarma ışığı ile örneklenir (örnekleme desenleri ne- deniyle). Üçüncü olarak, CS yöntemi, birkaç ölçümle kullanarak sahneyi yeniden yapılandırabilir ve bu toplam veri toplama süresini daha da kısaltabilir. Bu gözlemlere dayanarak, CS yönteminin temel SIM problemlerinin çözümü için uygun olabileceğine inanıyoruz. Bu tezin temel amacı, CS ve SIM tekniklerini birleştirmektir, ancak bu çerçevede çeşitli katkılar da sunuyoruz. Bu tezin ana katkıları; (1) CS yeniden yapılandırma algoritmasının performansını iyileştirmek için çok katmanlı evrişimli seyrek kodlama (ML-CSC) modeline dayalı bir sözlük öğrenme yöntemi geliştirmek; ve (2) CS ile SIM kombinasyonu için yöntem önermek ve önerilen yöntemi simülasyon tabanlı çalışmaların yanı sıra gerçek veri toplama deneyleri ile desteklemek. İlk girişimlerde, seyrek temsil teorisi temellendirilerek yapılandırılma yapılabilmesi için hazır sözlükler kullanıldı. Diğer yandan, CS yeniden yapılandırma algoritmasının başarısı, bir sinyalin seyreklik seviyesi ile doğrudan ilgilidir. Bir sinyalin seyreklik oranı, dönüşüm matrisine veya sözlüğe bağlıdır. Bu nedenle, dönüşüm matrisini veya sözlüğü öğrenmemiz gerekir. Bundan dolayı, ML-CSC modeline dayanan bir sözlük öğrenme yöntemi öneriyoruz. Yöntem, daha önceden sunulan kütüphane öğrenme algoritması bazı parametrelere ve yeniden yapılandırma algoritmasına bağlı olmasına rağmen, sunulan sözlük öğrenme yöntemi herhangi bir parametreye veya CS yeniden yapılandırma algoritmasına bağlı değildir. Diğer yandan, öğrenilen sözlükler, CS yeniden yapılandırma algoritmasına uygulanmış ve sözlük öğrenme algoritmasının performansı tartışılmıştır. Bu tezin diğer ana katkısı, CS yöntemini ve SIM tekniğini birleştirmektir. Simülasyon tabanlı çalışma ve çeşitli matematiksel modeller kullanarak bu birleştirme gösterilmiştir. Ardından hem sabit hem de hareketli nesneler için deneysel sonuçlar sunulmuştur. Daha önceden sunulan birkaç adet CS yeniden yapılandırma algoritması kullanarak, CS ile SIM yöntemlerinin birleşimine dayanan model için yeniden yapılandırma sonuçları karşılaştırılmıştır. Simülasyon tabanlı çalışma gerçekleştirildikten sonra, PMT ile veri toplama problemi için optik bir düzenek önerilmiş ve ardından laboratuvarda bulunan DMD cihazının limitleri ele alınmıştır. Ardından, CS ve SIM birleşimi için optik bir düzenek verilmiştir. Önerilen düzenek kullanarak, hem sabit hem de hareketli nesneler için deneysel bir çalışma gerçekleştirilmiştir. Yeniden yapılandırılmış görüntülerin normalize edilmiş yoğunluk profilleri, diğer geleneksel mikroskop yöntemleri sonuçları ile karşılaştırılmıştır. Florışıldama bozulma problem için deneysel düzeneğin en iyi durum sonucu verilmiştir. CS ve SIM yöntemlerinin birleştirilmesine ek olarak, CS yöntemi holografiye de uygulanmış ve tek bir hologram kullanarak derinlik bilgisi çıkarılmıştır. İlk olarak holografik veriyi kaydedebilmek için bir optik konfigürasyon sunulmuştur. Sıkıştırılmış hologramları da içeren çeşitli hologramların derinlikleri, stereo eşitsizlik yöntemi kullanılarak çıkarılmıştır. Sunulan yöntem, hologramın faz bilgisine ihtiyaç duymamakta, yeniden yapılanmadan önce hologramın iki parçaya (iki açıklığa) bölünmesiyle kolayca elde edilen sahnenin iki perspektifine ihtiyaç duymaktadır. Hologramların aşamalı ve keskin bölünmelerinin, özellikle dikey, yatay ve çapraz yönlerdeki bölümler için eşitsizlik haritası hesaplamaları için etkileri de araştırılmıştır. Stereo görüntülerden derinlik haritası elde edildikten sonra, nesnenin normal iki boyutlu görüntüsü derinlik bilgisi ile birleştirilerek nesnenin 3D görselleştirilmesi oluşturmuştur.