撰稿 | Jackson (西湖大学 博士生)

声学和光学成像在生物医学成像、工业检测、微电子刻蚀等领域具有重要的用途。传统的光波或声波成像受制于阿贝衍射极限，成像分辨率只能达到波长的一半左右。在确定的成像波长条件下，为了能够更清楚地看到物体的细节，通常需要采取一些额外的辅助成像方法来提高成像的分辨率，比如油浸、近场扫描成像法、荧光标记成像法等等。但是这些辅助成像方法往往非常繁琐，成本很高而且需要很大计算量。近年来超构透镜的出现极大的促进了超分辨成像领域的发展，但是由于超构透镜材料的吸收损耗往往比较大，因此极大地限制了超构透镜的推广和应用。近期，来自瑞士洛桑联邦理工学院(EPFL)的Romain Fleury和 Bakhtiyar Orazbayev团队在Physical Review X上发表论文Far-Field Subwavelength Acoustic Imaging by Deep Learning，提出了一种新的基于机器学习成像方法的超构透镜，可以简单高效地实现声波的深亚波长成像。重要的是，在这种成像方法中，材料损耗的增大可以提高这种方法的准确率。

图1一种新的基于机器学习的成像技术这种技术可以实现成本更低、更高效的医学成像图源：中国科学院长春光机所，Light学术出版中心，新媒体工作组这种方法的分辨率可达到波长的1/30，同时不破坏物体结构。这种成像方法在芯片光刻、医学成像和非接触式材料检测等成像领域有广泛的应用前景。研究人员首先利用数学模型计算理论验证了这个想法，然后在实验中基于波长1.3米的声波对该方法进行了验证。如图2所示，研究人员使用了分布在25×25cm的平面上、以8×8方式排列的64个扬声器作为声源。

图2 利用开孔的球体作为共振腔以实现扩音

图源：Physics 13, 124 (2020) (Fig. 1)

该研究团队并没有将这些扬声器直接对准物体来成像，而是将这些扬声器视作一组声音 “像素”阵列，通过控制每个“像素”的音量来实现“明”或“暗”的状态。他们将一张图片的像素以等价的声音“像素”通过扬声器播放出来，来充当传统声波成像系统中的声音信号。

图3 用于亚波长图像重建和识别的实验装置示意图图源：Phys. Rev. X 10, 031029 (2020) (Fig. 3a)对于图像样本，研究人员选择了一个有着70000个手写体0-9数字图片的数据库来当做机器学习算法的训练集。这些数字图片的特征尺寸比实验所用声波的衍射极限小1/30。对于超构透镜(次级辅助声源)，该团队选择了39个10cm直径的塑料球体，每个球体的表面有一个小洞，可以使得声音在洞里面共振从而将包含物体精细结构的声波信息以行波的方式传播到成像面。这些小球被放置在扬声器阵列前的一个网袋中。对于一组随机选择的数字，Fleury 和 Orazbayev记录了麦克风放置在几米之外的四个不同位置上时到达声波的振幅和相位，如图4所示。

图4无回声实验室图源：Phys. Rev. X10, 031029 (2020) (Fig. 3a)他们用了两个不同的机器学习算法来学习这些原始数据：一个算法负责尽可能准确的重现出原始的图案，另一个算法则负责将重现出原始的图案在10个数字中进行区分。这套算法首先在已知的训练集当中训练，然后用训练集中没有的新数据对算法进行测试。Fleury 和 Orazbayev首先在没有超构透镜(次级辅助声源球体)的条件下进行实验，结果发现这套算法的表现非常差。然而，在有次级声源球体辅助的情况下，重建图像的算法表现非常高效，同时分类数字的算法实现了79.2%的准确率。在这里需要强调的是，传统超构材料中的损耗往往是研究人员唯恐避之不及的缺陷，但是在这种方法中超构透镜的吸收损耗可以极大地提高成像效果。因为这种方法中神经网络可以从被损耗隐藏的模式中提取出更多的信息。因为频率越高，材料的损耗往往越大，所以传统成像方法中由高频波携带的物体的细节信息往往会受材料损耗的影响较大，从而无法实现成像；而在机器学习成像方法中，超构透镜在给定频率附近的共振效应会随着损耗的增加而增强，从而增加在该频率附近的模式态密度，这样反而可以提高神经网络从共振模式中提取高分辨率成像信息的效率。Fleury表示“他们对这套算法的优异表现非常意外”。研究人员表示，在医学成像的应用中，这套算法可以不用数字图片样本做训练，而是在已知的生物结构数据集当中训练。然后这套训练后的算法就可以识别出他们之前没有见过的类似结构，同时只需要很少的处理时间和计算量。来自法国国家科学研究中心(CNRS)和伦敦帝国理工学院的光学和声学专家Sébastian Guenneau评论道，“这是一项非常重要并且优美的工作，最核心的是它向人们证明了我们可以利用机器学习算法打破一些物理定律的限制。”他相信这个方法可以在癌症检测、地震波监测到声学断层成像等多个领域中得到广泛的应用。

参考文献

[1] B. Orazbayev and R. Fleury, “Far-field subwavelength acoustic imaging by deep learning,” Phys. Rev. X 10, 031029 (2020).

[2] P. Hoyer et al., “Breaking the diffraction limit of light-sheet fluorescence microscopy by RESOLFT,” Proc. Natl. Acad. Sci. U.S.A 113, 3442 (2016).

[3]Mark Buchanan, “Machine Learning Makes High-Resolution Imaging Practical”, Physics 13, 124 (2020).

版权声明

---

本文经授权转自微信公众号“中国光学”。

微信加群

---

为方便广大科研人员交流讨论，本平台建有以下学科微信群。有需要加群的用户，请加小编个人微信号fitee_xb，并留言想要加入的群，小编会拉您进群。营销广告人员请勿扰。

计算机科学与技术学术群	光学工程与技术学术群
控制科学与技术学术群	信息与通信学术群
电力电子学术群	人工智能学术

加关注  ID: fitee_cae

本公众号为中国工程院院刊《信息与电子工程前沿(英文)》(SCI-E、EI检索期刊)官方微信，功能包括：传播期刊的学术文章；为刊物关联学人(读者、作者、评审人、编委，等)提供便捷服务；发布学术写作、评审、编辑、出版等相关资讯；介绍信息与电子工程领域学术人物、学术思想、学术成果，展示该领域科学研究前沿进展；为该领域海内外学者提供友好互动平台。