[发明专利]基于单一分布和深度学习的超分辨率计量方法

说明书

用于确定表征物理对象的几何特征的固有几何参数的值的方法，用于将场景分类为至少一个几何形状，每个几何形状对发光对象建模的方法。以第一波长和奇点位置为特征的单一光分布投影到物理对象上。被已经与所述几何特征相互作用并且撞击在检测器上的单一光分布激发的光被检测，并且在一个或多个位置处的返回能量分布被识别并量化。深入学习或神经网络层被采用，使用检测到的光作为神经网络层的直接输入，适于将场景分类为静态或动态的多个形状，所述形状是通过学习预先确定或获取的成组的形状的一部分。

相关申请

本申请要求2017年8月30日提交的序列号为62/551,906和62/551,913的两个美国临时申请的优先权，两者均通过引用并入本文。

技术领域

本发明涉及使用机器、表示和深度学习方法对几何特征进行光学测量的方法和装置，更具体地，涉及使用投影的单一光分布进行光学测量的方法和装置。

背景技术

计量是测量技术领域。基于荧光、多光子成像、拉曼散射、光透射、反射或光散射的测量实际上在分辨率上限于Ernst Abbe在1873中所述的极限。阿贝极限由于用于照射或收集来自样品的光的光学系统的限定孔径的衍射而出现，如下所述。

一些生物和生命科学对象可以数学地建模为基本几何形状。这种模型参数的精确量化是现代生物学和生命科学面临的挑战之一；它将直接或统计地揭示关于生物对象及其功能的隐藏信息。Sirat在美国专利第9,250,185号(以下称为“Sirat'185专利”)中定义了“发光生物对象”作为物理对象的“地图”，“in the sense of...general semantics”，该专利在此引入作为参考。(Sirat'185专利，第18栏，第15-22行)。

测量对象的形状或其他几何属性包括应用参数化形状假设，在本发明中称为数学先验，其针对来自“发光生物对象”的元素和/或重建数据，并从数据中检索形状参数。此外，在数据上存在另一个数学约束，即由于光强度的固有正性而引起的正性。

在现有技术中，数学先验和正性约束都依赖于传统的成像范例。在图像获取和重建之后，作为后处理步骤，必须对所得图像应用数学先验和正性约束。这种成像范例可以追溯到显微术的最早日期，其中形状测量被认为是成像的伴随而本身不是学科。

形状假设是强大的数学先验，并且一旦下面描述本发明，其将极大地减少解的自由度数，并且为解创建嵌入的参数空间。如这里所使用的，术语“数学先验”指的是关于测量结果的任何数学假设，其减少了手头问题的自由度数。如过去所做的，相对于使用一般成像范例采集的数据，在采集和重构过程之后应用数学先验降低了整个计量过程的精度。

历史视角

在对较新的硬件和软件进行了一些培训之后，如果活在1840年到1905年的ErnstAbbe使用最新一代的用于成像和测量的生物显微镜，他将是舒适的。生物成像和计量方法的持久性首先是由于我们的前身开发的概念的质量，但也是由于难以修改根植的工作程序。

然而，甚至在生物学上，一些新的趋势是摇动嵌入的显微镜观察原型。主要的进展是由于希望以全面的统计方式精确地量化生物对象模型的基本参数，而不是仅基于图像或假设来进行生物观察。

J.Shamir在“Singular beams in metrology and nanotechnology”，Opt.Eng.，第51卷，073605(2012)和美国专利第7,746,469(两者均通过引用并入本文)已经建议使用单一光分布来量化粒度的分布。

就发明人所知，从来没有建议创建这样的空图像，在光本身被成像的情况下，所述空图像使用光子的缺失来实现不可获得的分辨率。特别地，Shamir的教导使用弹性相互作用，例如反射、透射和(弹性)散射。获得基于空图像的信息将是有利的，并且下面详细描述的本发明示出了如何执行这种成像。

背景：几何形状参数的测量