|
西安电子科技大学
西安电子科技大学 教育部
  • 16 高校采购信息
  • 150 科技成果项目
  • 0 创新创业项目
  • 0 高校项目需求

小型化数字全息显微仪

2023-07-20 17:02:37
云上高博会 https://heec.cahe.edu.cn
所属领域:
生物、医药及医疗机械
项目成果/简介:

(一)项目背景

光学显微镜由于其历史悠久、市场渗透率较高、成本优势明显等因素, 约占显微镜市场的 40%。根据智研咨询网发布的《2019-2025 年中国显微镜行业市场供需预测及投资战略研究报告》可知,中国显微镜进出口金额在逐年增加,在 2018 年时,中国显微镜出口金额为 1.52 亿美元,显微镜进口金额为 2.71 亿美元,进出口额的差距仍然较大,如图 11 所示。可以看出, 中国显微镜市场对设备的需求在逐年增大,同时由于显微镜的应用领域也在逐渐增加,这都为小型化数字全息显微仪攻占市场提供了绝佳的市场机会。

(二)项目简介

数字全息显微技术(Digital Holographic Microscopy, DHM),作为一种定量相位成像技术,将数字全息技术与光学显微技术相结合,可以从对全息图进行重建得到的强度和相位图像中定量获取细胞等样品的三维形貌以及折射率分布等信息,是一种有效的全场定量、无损非接触、快速、高分辨的三维成像技术。本项目拟生产低成本、智能化、小型化数字全息显微仪(mDHM),为微观透明物体的三维形貌、透明物体的厚度/折射率分布提供了一种快速、无损以、高分辨的测量手段。

(三)关键技术

1.基于数字全息显微技术,实现对透明样品无损非侵入定量相位成像。

细胞的无标记、原位测量有助于探索相关疾病的致病机理,以及药物对细胞生命活动的调控作用。如何实现对透明生物样品无标记测量?数字全息显微技术(Digital Holographic Microscopy, DHM),基于光学干涉原理,将数字全息与光学显微相结合,具有高精度、高分辨、无需对样品进行特殊操作的特性,在能够实现传统光学显微镜只能获得样品强度(振幅)信息目标的同时,可以无损非侵入的定量获得样品相位信息,进而得到待测透明样品的三维形貌或折射率分布。

2. 采用低相干光源以及物参共路结构,提高系统稳定性,抑制相干噪声。

传统的数字全息显微装置大多采用物参分离光路结构,导致装置复杂且稳定性差,成像容易受到周围环境振动及空气扰动的影响。如何克服环境扰动对数字全息技术的影响?拟采用物参共路结构,即物光和参考光经历完全相同的光学元件(物参共路径,不影响两光束的光程差)。为对比小型化数字全息显微仪和传统数字全息产品的稳定性差异,在未放置样品的情况下对两种装置每隔 20 秒记录一次干涉图样,连续拍摄 3 小时后,对所获得的全息图样进行相位再现,进而确定装置的相位分布随时间的变化情况。定量统计结果表明(任意选择相位图中的某点):传统的数字全息显微产品在 0 到 2π范围内任意变化,且均方差为 1.8 rad;小型化点衍射数字全息显微仪在 3 小时内相位围绕平均值的均方差为 0.08 rad,相比前者提高了20 多倍。因此,装置即使处在十分复杂的环境中也具有极高的时空稳定性, 同时,物参共路的光路结构降低对光源相干性的要求,采用低相干光源可以抑制相干噪声对恢复精度的影响。

3. 利用偏振衍射光栅的偏振特性,实现干涉条纹对比度可调。

现有 DHM 系统大多采用分光棱镜或普通光栅对物光波进行分光,因而无法调节物光和参考光的相对强度,而干涉条纹对比度常与待测样品有关, 并且会影响重建结果。如何克服不同样品时干涉条纹对比度不同问题?拟采用具有优异偏振衍射特性的偏振光栅,通过衍射将物光波分成多份并沿不同衍射级方向传播,其中±1 级衍射光的光强占比均大于 40%,分别被用作物光与参考光,且±1 级衍射光具有不同偏振态,两者的相对光强与入射光的偏振态有关,因此通过与 1/4 波片结合使用可以调节两者的相对光强, 进而实现干涉条纹对比度可调目的。

4. 结合微流控技术,实现生物细胞的相位成像和信息获取。

细胞作为生命组成的最小单元,研究其相关的生物行为及其规律和本质,对于揭示生命奥秘、探索疾病机理和治疗手段有着重要意义。细胞体积微小,种类多样,并且生长在复杂的微环境中,这些都对细胞识别、内部组分分析和细胞间相互作用分析等造成干扰。如何在细胞水平进行相关领域研究?拟采用微流控技术,通过使用不同的微流控装置来避免细胞残留、阻滞、重叠等对检测结果的干扰问题,并依据数字全息显微技术,对细胞培养、捕获、分化、迁移、融合、药物代谢等过程进行高精度定量成像。

5. 利用深度学习,实现快速生物细胞特征提取、分类和计算。

生物样品中细胞种类和含量的定量精确统计有利于对相关疾病进行预测和诊断。数字全息和微流控技术的结合为在细胞水平上分析疾病致病机理提供了一种快速高精度的测量手段,但是在数据样本较大时往往需要耗费大量时间进行重构和分析,不利于疾病的及时性诊断。如何对细胞成像后快速实现细胞分类和计算?拟采用深度学习 CNN 网络,减少参数规模,加快训练速度,进行特征提取。实现对原始数据的实时恢复并对图像中的每个细胞信息进行分类计算,最终给出统计结果(例如,含量分析或直方图显示)进行相关疾病诊断。

技术成熟度:
已有样品
会员登录可查看 合作方式、专利情况及联系方式

扫码关注,查看更多科技成果

取消