《Advanced Photonics Research》:Diffractive Neural Networks for High-Throughput Classification of Objects in Microfluidic Systems
编辑推荐:
光学成像与机器学习在微流控平台上的集成,使得在单芯片上对样本群体进行高内涵、低侵入性表征成为可能。由于这类高内涵信息的分析通常在电子域中完成,光电转换速度以及数据处理可用带宽对这些方法的通量构成了限制。本研究提出了一种基于衍射神经网络(DNNs)的分析系统,该
光学成像与机器学习在微流控平台上的集成,使得在单芯片上对样本群体进行高内涵、低侵入性表征成为可能。由于这类高内涵信息的分析通常在电子域中完成,光电转换速度以及数据处理可用带宽对这些方法的通量构成了限制。本研究提出了一种基于衍射神经网络(DNNs)的分析系统,该系统具有集成于微流控系统中的潜力,可实现对物体的高内涵分类并支持高采样率。研究结果表明,在与微流控腔室兼容的环境中,该系统能够通过被动式光学推理,依据尺寸区分不同物体,其数值测试准确率为98.2%,实验测试准确率为83.4%。这一进展为基于全光学或光电混合型神经形态信息处理的大规模细胞群体高速表型分析开辟了新路径。
本文发表于《Advanced Photonics Research》,围绕微流控系统中的高通量目标分类问题,提出并验证了一种面向芯片级集成的衍射神经网络(DNNs)方案。研究背景在于,微流控平台与光学成像结合后,能够在较小尺度上实现对细胞或微粒样本的连续观测,并在单芯片上完成高内涵表征,因此已成为流式分析与单细胞研究的重要技术基础。传统流式细胞术(FCM)依赖荧光强度等信号实现高速分群,具有极高采样率;然而,当研究目标转向无标记表型、形态特征或力学状态等更丰富的信息时,成像流式细胞术(IFC)虽然能够获取单个目标图像,却通常必须将图像传入电子计算平台进行后续分析。正是这一“光学采集—电子转换—电子处理”的链路,使系统受限于光电转换速率、数据传输带宽及电子神经网络处理时间,导致高内涵分析的通量明显低于传统FCM。为解决这一瓶颈,研究人员引入光学神经网络(ONNs,利用光学器件物理实现神经形态计算的网络)思路,希望直接在光学域中完成推理,降低电子后处理负担,从而提升分析速度。
在这一背景下,研究人员重点考察了衍射神经网络在微流控场景中的应用潜力。DNNs的基本思想是以一个或多个经计算设计的衍射层来物理实现前馈神经网络,每个像素充当“衍射神经元”,通过对入射复振幅场施加相位调制,控制光在层间传播后的空间能量分布,从而在输出平面形成与类别对应的判别模式。研究的核心目标,是构建一种在可见光波段 λ = 532 nm 下被动工作、且尺寸上可与商用微流控结构直接兼容的分类器,用于基于相位对比度这一单一光学自由度,对微流控通道中的物体按尺寸进行分类。论文最终表明,该类纳米打印DNNs在数值测试中达到98.2%的准确率,在实验测试中达到83.4%的准确率,说明其具备替代部分电子分析步骤、服务于高速高内涵细胞表型分析的现实潜力。
研究人员采用的主要技术方法可概括如下:首先,以定量相位成像(QPI,quantitative phase imaging)获取微流控通道内聚合物微珠的复场图像,样本为水中流动的直径5 μm与10 μm微珠,通道截面为33 × 33 μm、长度300 μm;其次,对原始图像进行裁剪与数据增强,构建三分类数据集;再次,基于傅里叶传播模型在计算机中训练相位型DNN,并联合采用均方误差损失(MSE)与软最大交叉熵损失(SCE)优化输出;随后,利用振镜抖动双光子纳米光刻(GD-TPN)将相位分布打印为实体多层衍射结构;最后,借助空间光调制器(SLM)、4f系统、显微物镜与CCD搭建表征平台,对器件开展实验验证。
在研究结果部分,论文依次从数值性能、实验性能以及微流控集成分析三个方面展开。
3.1 Numerical Performance
这一部分主要讨论网络结构参数与分类性能之间的关系。研究人员将工作波长固定为532 nm,并考虑微流控芯片对结构距离的实际约束,将输入距离D
1设置为120 λ,层间距离D
2优化为40 λ,输出距离D
3优化为80 λ。各衍射层横向尺寸固定为33 μm,以匹配数据来源所对应的微流控通道宽度。在该约束下,研究人员系统扫描了每层神经元数目和网络层数对分类准确率的影响。结果显示,DNN的性能并不随层数或神经元数单调提升,而是呈现复杂依赖关系。对于固定层宽而言,神经元数增加意味着单个神经元直径减小、密度提高;在本研究中,神经元直径变化范围为275 nm至412.5 nm,不同密度配置可使分类准确率变化超过3%。类似地,网络层数的改变也可带来最高3.98%的准确率差异。综合比较后,研究人员发现两层或三层、且每层含6400个神经元的网络表现最佳。其中,三层网络相较两层网络仅带来很小的准确率提升,但制造复杂度明显增加,因为每增加一层都需额外打印支撑柱和支撑基底以精确维持层间距。因此,研究最终选择“两层、每层6400个神经元”的DNN进行实际制备与验证。这一结果表明,在微流控兼容的紧凑尺寸限制下,合理平衡衍射自由度与加工复杂性是器件设计的关键。
3.2 Experimental Performance
这一部分比较了数值仿真与实验测试中DNN输出模式和分类性能的一致性与差异。数值测试中,三类输入分别为5 μm微珠图像、10 μm微珠图像以及空通道图像。网络输出平面出现三个高强度区域,对应训练阶段预设的三个探测区域,其中两个主要用于目标分类,第三个兼具错位控制与背景参考功能。对于5 μm与10 μm微珠输入,目标探测区能量相对其他区域具有明显优势;其中5 μm与10 μm类别的能量对比分别约占三个探测区总能量的9%与7%,空通道输入时这一优势缩小至约4%。这说明网络能够在光场传播过程中,将不同相位输入映射为可分辨的空间能量签名。
实验表征中,研究人员利用SLM重建测试数据集中的相位图像,并通过两组4f系统及显微物镜将其投射至DNN输入面,再由CCD采集输出。实验结果显示,不同输入类别在输出面仍能形成相对集中的强度聚类区,但相较数值结果,输出探测区边界不再清晰,且输入端存在较强背景纹理。论文指出,这种背景图样很可能源于SLM在实验波长下校准不足。此外,SLM相位不均匀性、激光功率波动及相机读出噪声,也是影响实验性能的重要噪声来源。这些因素共同导致探测区域能量值分布变宽、类间可分性下降。具体而言,实验中10 μm微珠输入的目标区域仍可获得约6%的能量优势,与数值结果接近;但5 μm微珠与空通道输入仅分别表现出1.5%和0.7%的最小对比度,显著弱于仿真结果。这与实验背景较强、噪声较大的观察相一致。
在盲测分类结果上,数值测试中,10 μm微珠、空通道和5 μm微珠三类的分类准确率分别为99.4%、98.8%和97.0%,总体准确率为98.2%。误分类最常发生于5 μm微珠与空通道之间。实验测试中,各类准确率均有所下降:10 μm微珠为92.8%,5 μm微珠为81.2%,空通道为76.6%,总体准确率降至83.4%。实验条件下,5 μm微珠与空通道更易被误判为10 μm微珠,而10 μm微珠则更常被误判为5 μm微珠而非空通道。进一步比较平均能量分布可见,数值测试中10 μm类别的平均最小能量对比度最高,达到约6.36%;而实验中这一类别对比度下降到约1.7%,反映出实验噪声和器件偏差对判别裕量的压缩。研究人员据此指出,实验准确率下降除了与SLM校准有关,也可能与加工误差相关,未来可借助更成熟的高分辨率制造工艺进一步改进。
3.3 Microfluidic Integration Analysis
这一部分讨论了DNN从静态实验验证走向真正在线微流控高通量分析的可行性。研究人员指出,本研究所设计的DNN具有相对较长的层间传播距离,因此在结构上适合直接集成到微流控腔体表面;利用相同的GD-TPN工艺,可将其直接加工在微流控基底上或内部,实现片上无缝整合。与传统IFC必须经过光电转换和电子图像分类不同,DNN可在光学域内以光速完成推理,从而绕开常规系统中的电子瓶颈。论文进一步强调,虽然当前实验验证仍依赖SLM进行静态输入重建,但真正集成后的系统理论分类速率最终主要受限于后端光探测器。若采用采样率超过100 MHz的商用探测阵列或分段光电二极管,就有可能构建兼具体积紧凑和实时读出的集成IFC系统,其通量有望较现代FCM高出若干个数量级。论文同时指出,虽然本研究实验对象为静态照明条件下的球形微珠,但结合既有文献中DNN对复杂电子图像数据集及生物目标的成功应用,可见该框架具备向更复杂生物样本扩展的基础。
从讨论与结论来看,本文的主要学术贡献在于证明了纳米打印衍射神经网络可在与微流控通道宽度匹配的尺度上实现面向高通量分类的全光学推理。研究不仅在设计上兼顾了微流控集成需求,还通过MSE与SCE联合训练策略,使输出平面形成清晰的功能性高强度聚类区,从而提升了实验对准与读出友好性。这对于未来将DNN输出直接耦合至高速单像素探测器具有现实意义,因为其有助于构建比面阵成像更快、更经济的数据采集架构。研究也表明,尽管本工作输入信息主要是相位信息,但同样的原理可以扩展到偏振、波长或拓扑电荷等其他光学自由度,因此该技术路线不仅服务于尺寸分类这一单一任务,更可能发展为可在常见微流控平台上直接部署的新型光学分析工具。
结论部分可译为:本研究提出了用于微流控系统中高通量物体分类任务的纳米打印衍射神经网络,所设计网络与微流控通道的物理宽度相匹配,因此原则上可与微流控器件直接集成。该DNN在数值测试中取得98.2%的准确率,在实验测试中取得83.4%的准确率。通过联合采用均方误差损失(MSE)和软最大交叉熵损失(SCE)训练网络,网络产生的实验输出图样在训练阶段所设探测区域位置形成了相对高强度的聚类区域。这类清晰的输出图样有利于DNN的实验实现,因为其能够使纳米打印网络与目标之间的对准相对容易。在高内涵、高通量成像流式细胞术(IFC)应用中,该目标可以是一组具有较高读出速度的单像素光探测器,从而相较于传感器阵列实现更快速且更经济的数据采集。尽管本研究中输入至网络的是相位信息,但所提出原理同样适用于偏振、波长或拓扑电荷等其他光学自由度的分类,为一类可直接集成到常见微流控平台中的新型光学分析工具开辟了道路。