Analysis and reconstruction of dynamical speckle patterns in interferometric scattering microscopy.

Abstract

Optical microscopy has a diffraction limit that prevents imaging of objects smaller than hundreds of nanometers, making it challenging to observe certain biological sam- ples. Interferometric scattering microscopy (iSCAT) has shown promise in overcoming this limit by detecting and enhancing the scattering light from nanoparticles. However, speckle patterns produced by a large number of nanoparticles close to the diffraction limit make analysis difficult. In this thesis, we demonstrate the potential of using Deep Neural Networks (DNNs) with fast data simulation to analyze these difficult samples. With one of our models achieved 81.47% accuracy in classifying simulated image sequences of fluc- tuating speckle patterns with respect to particle count. And another one of our models localizes particle positions closely resembling the ground truth data. 1

Optická mikroskopie má tzv. difrakční limit, který ji omezuje v zobrazování objektů menších než stovky nanometrů, což velmi znesnadňuje pozorování některých biologických vzorků. Interferenční rozptylová mikroskopie (iSCAT) slibně překonává tento limit tím, že detekuje a zesiluje rozptyl světla z nanočástic. Příliš velká hustota částic ve vzorku vytváří ale složitý zrnitý vzor, který znesnadňuje analýzu obrazu. V této práci ukážeme potenciál hlubokých neuronových sítí, spolu s rychlou simulací dat, k analýze těchto obtížných vzorků. Přičemž jeden z našich modelů dosahuje 81.47% přesnosti v klasifikaci simulovaných sekvencí obrazu fluktuačních zrnitých vzorů do tříd reprezentující počet částic. A další náš model schopný částice v obrazu lokalizovat s velkou blízkostí skutečným pozicím. 1