CARSハイパースペクトルイメージングにおけるリアルタイムかつハイスループットなラマン信号抽出と処理

Real-time and high-throughput Raman signal extraction and processing in CARS hyperspectral imaging.

• Charles H Camp
• John S Bender
• Young Jong Lee

抄録

我々は、(a)ラマン信号抽出、(b)ノイズ除去、(c)コヒーレント反ストークスラマン散乱(CARS)ハイパースペクトルイメージングおよび分光法における位相およびスケール誤差補正のための、「因数分解Kramers-Kronig and error correction」(fKK-EC)と総称される新しい処理技術を紹介する。これらの新しい手法は従来の手法に比べて桁違いに高速であり、独自のコアコンセプトである、小さな基底ベクトルセットですべての処理を行い、その後に行列/ベクトル乗算を用いてデータセット全体を直接かつ高速に変換することにより、リアルタイムでの性能を発揮することができる。実験的に、我々は鶏軟骨の703026スペクトル画像が70秒（≒0.1ms/スペクトル）で処理できることを実証しています、これは従来のワークフロー（≒7.0ms/スペクトル）と比較して約70倍速いです。さらに、変換された基底ベクトルセットを新しいデータで再利用することで、この手法を機械学習（ML）にどのように利用できるかについても議論します。このMLパラダイムを用いて、同じ組織画像を約33秒で処理（ポストトレーニング）し、従来のワークフローと比較して約150倍の高速化を実現しました。

We present a new collection of processing techniques, collectively "factorized Kramers-Kronig and error correction" (fKK-EC), for (a) Raman signal extraction, (b) denoising, and (c) phase- and scale-error correction in coherent anti-Stokes Raman scattering (CARS) hyperspectral imaging and spectroscopy. These new methods are orders-of-magnitude faster than conventional methods and are capable of real-time performance, owing to the unique core concept: performing all processing on a small basis vector set and using matrix/vector multiplication afterwards for direct and fast transformation of the entire dataset. Experimentally, we demonstrate that a 703026 spectra image of chicken cartilage can be processed in 70 s (≈ 0.1 ms / spectrum), which is ≈ 70 times faster than with the conventional workflow (≈7.0 ms / spectrum). Additionally, we discuss how this method may be used for machine learning (ML) by re-using the transformed basis vector sets with new data. Using this ML paradigm, the same tissue image was processed (post-training) in ≈ 33 s, which is a speed-up of ≈ 150 times when compared with the conventional workflow.