多核光纤（MCFs）定量相位成像（QPI）是一种新兴的微创、无标记的体内内窥镜成像方式。然而，传统迭代相位检索算法的计算量限制了其实时成像潜力。本文展示了一种基于学习的MCF相位成像方法，将相位重建时间大幅缩短至5.5毫秒，实现了181 fps的视频速率成像。此外，本文引入了一种创新的光学系统，自动生成第一个针对MCF相位成像的开源数据集，包含50,176对相匹配的斑点和相位图像。本文训练的深度神经网络（DNN）在实验中表现出鲁棒的相位重建性能，平均保线%。这种高效的纤维相位成像方法可以拓宽QPI在难以到达部位的应用。

　　本文提出了一种使用端到端深度学习进行多芯光纤内窥镜的无校准定量相位成像的方法。该方法具有以下优点：

　　光纤内窥镜是一种微创、无标记的体内成像工具，具有纤细灵活、穿透力强等优势。传统光纤内窥镜采用荧光成像技术增强图像对比度，但染色过程可能会引入有害物质。定量相位成像 (QPI) 是一种无需染色的成像技术，可用于 3D 表面成像和生物物理特性分析。

　　然而，由于多核光纤 (MCF) 中的相位失真，通过光纤内窥镜实现 QPI 非常具有挑战性。传统方法需要进行校准，计算量大，难以实现实时成像。

　　最近的研究采用深度学习技术，提出了一种无需校准、实时、高精度的 MCF QPI 方法。该方法利用深度神经网络直接从散斑图像中提取相位信息，在实验中表现出良好的性能。

　　该方法的突破性进展为 MCF QPI 在临床应用场景中的应用提供了新的可能性，例如用于肿瘤检测、微流体研究和材料分析等。

　　本文所用的是一种基于深度学习的 MCF QPI 方法。该方法的基本原理是利用深度神经网络直接从散斑图像中提取相位信息。 具体来说，该方法包括以下步骤：

　　该方法的深度神经网络由 19 层组成，包括 16 层卷积层、2 层池化层和 1 层全连接层。网络的输入是 256 x 256 像素的散斑图像，输出是 256 x 256 像素的相位图像。

　　在实验中，该方法在标准的 MCF 光学系统中进行了测试。结果表明，该方法能够实现高保真、实时的 MCF QPI，平均保线%。

　　总体而言，所提出的基于学习的相位重建方法显著降低了多核光纤内窥镜无透镜成像的计算时间，实现了高达 181 fps 的超高帧率精确相位重建。此外，该方法的深度神经网络可以直接从斑点图像中解码样品的相位，不再需要预先测量固有相位畸变，从而简化了内窥镜的成像过程。此外，该深度神经网络还展示了高保真度、准确的相位重建性能。更重要的是，机器学习方法的集成可以进一步拓展内窥镜成像的边界，开辟更加复杂诊断和治疗应用的道路。