- •Содержание
- •Введение
- •Глава 1. Обзор литературы
- •1.1. Клетки крови
- •1.2. Экспериментальные методы
- •1.3. Моделирование светорассеяния
- •1.4. Обратная задача светорассеяния
- •Глава 2. Метод дискретных диполей
- •2.1. Обзор МДД
- •2.1.1. Введение
- •2.1.2. Общая формулировка
- •2.1.3. Разновидности МДД
- •2.1.3.1. Теоретические основы МДД
- •2.1.3.2. Точность МДД вычислений
- •2.1.3.3. МДД для кластеров шаров
- •2.1.3.4. Модификации и расширения МДД
- •2.1.4. Численные соображения
- •2.1.4.1. Прямые и итерационные методы
- •2.1.4.2. Разложение по порядкам рассеяния
- •2.1.4.3. Блочно-топлицева структура
- •2.1.4.4. Быстрое преобразование Фурье
- •2.1.4.5. Быстрый метод мультиполей
- •2.1.4.6. Усреднение по ориентации и повторные вычисления
- •2.1.5. Сравнение МДД с другими методами
- •2.1.6. Заключительные замечания
- •2.2. Сходимость МДД
- •2.2.1. Введение
- •2.2.2. Теоретический анализ
- •2.2.2.1. Дополнительные определения
- •2.2.2.2. Анализ ошибок
- •2.2.2.3. Ошибки формы
- •2.2.2.4. Различные формулировки МДД
- •2.2.3. Численное моделирование
- •2.2.4. Обсуждение
- •2.2.5. Выводы
- •2.3. Методика экстраполяции для улучшения точности МДД
- •2.3.1. Введение
- •2.3.2. Экстраполяция
- •2.3.3. Численное моделирование
- •2.3.4. Обсуждение
- •2.3.5. Выводы
- •2.4. Текущие возможности МДД для очень больших частиц
- •2.4.1. Введение
- •2.4.2. Компьютерная программа ADDA
- •2.4.3. Численное моделирование
- •2.4.3.1. Параметры моделирования
- •2.4.3.2. Результаты
- •2.4.4. Обсуждение
- •2.4.5. Выводы
- •2.5. Сравнение компьютерных программ на основе МДД
- •2.5.1. Введение
- •2.5.2. Программы МДД
- •2.5.2.1. SIRRI
- •2.5.2.2. DDSCAT
- •2.5.2.4. ADDA
- •2.5.3. Сравнение программ
- •2.5.3.1. Формы объектов и параметры
- •2.5.3.2. Точные методы
- •2.5.3.3. Точность
- •2.5.3.4. Скорость
- •2.5.4. Обсуждение
- •2.6. Сравнение МДД с методом конечных разностей во временной области
- •2.6.1. Введение
- •2.6.2. Параметры моделирования
- •2.6.3. Результаты для шаров
- •2.6.4. Пример применения к биологическим клеткам
- •2.6.5. Выводы
- •Глава 3. Эритроциты
- •3.1. Введение в эритроциты
- •3.1.1. Морфология
- •3.1.2. Светорассеяние эритроцитами
- •3.2. Решение обратной задачи светорассеяния для эритроцитов, используя простую форму и постоянный показатель преломления
- •3.2.1. Методология моделирования
- •3.2.2. Экспериментальный метод и процедура обращения
- •3.2.3. Эффект формы и ориентации
- •3.2.4. Характеризация эритроцитов
- •3.2.5. Приближённые формы
- •3.2.6. Выводы
- •3.3. Характеризация морфологии нативных эритроцитов с помощью сканирующего проточного цитометра
- •3.3.1. Расширенная модель формы эритроцита
- •3.3.2. Методология моделирования
- •3.3.3. Экспериментальный метод и процедура обращения
- •3.3.4. Результаты и обсуждение
- •3.3.5. Эмпирическая процедура определения диаметра эритроцитов
- •3.3.6. Выводы
- •Глава 4. Гранулоциты
- •4.1. Введение в гранулоциты
- •4.1.1. Нейтрофилы
- •4.1.2. Эозинофилы
- •4.1.3. Базофилы
- •4.1.4. Оптическая характеризация гранулоцитов
- •4.2. Теоретическое исследование светорассеяния простой моделью гранулоцита – зернистым шаром
- •4.2.1. Введение
- •4.2.2. Простая модель гранулоцита
- •4.2.3. Ортогональное светорассеяние
- •4.2.4. Результаты и обсуждение
- •4.2.5. Выводы
- •4.3. Экспериментальное исследование нейтрофилов сканирующим проточным цитометром
- •4.3.1. Экспериментальная процедура
- •4.3.2. Дополнительное МДД моделирование
- •4.3.3. Результаты и обсуждение
- •4.3.4. Выводы
- •Заключение
- •Развитие метода дискретных диполей
- •Характеризация эритроцитов с помощью сканирующего проточного цитометра
- •Теоретическое и экспериментальное исследование гранулоцитов
- •Основные результаты
- •Литература
- •Приложение
- •A1. Описание сокращений и символов
- •A2. Свойства симметрии матрицы Мюллера
- •A3. Расчёт бокового рассеяния зернистым шаром в рамках приближения Релея-Дебая-Ганса
- •A4. Расчёт деполяризованного бокового рассеяния зернистым шаром в рамках второго борновского приближения
Таблица 11. Сравнение быстродействия и точности МДД и КРВО для биологических клеток и двухслойного шара.a
|
Эритроцит |
|
|
BCP |
|
Двухслойный шар |
||
|
МДД |
КРВО |
|
МДД |
КРВО |
|
МДД |
КРВО |
Время, с |
10 |
808 |
105 |
5914 |
56 |
2507 |
||
Dpl |
10 |
30 |
8.85 |
30 |
8.85 |
28 |
||
Память, ГБ |
1.1 |
4.0 |
5.5 |
26 |
4.2 |
18 |
||
Итерацииb |
18 |
808 |
52 |
5914 |
32 |
2507 |
||
ОО(Qext) |
2.2×10−3 |
3.4×10−4 |
|
8.6×10−4 |
8.5×10−4 |
|
7.5×10−4 |
4.1×10−3 |
СКОО(S11) |
0.31 |
0.21 |
0.48 |
0.29 |
0.20 |
0.24 |
||
СКО(P) |
0.088 |
0.072 |
0.12 |
0.10 |
0.12 |
0.17 |
aТочность результатов для BCP приближённая, приведена только для исслюстрации.
bДля несимметричных форм это суммарное количество итераций (шагов по времени) для обеих поляризаций падающего света.
пример показывает, что ошибки формы резко выражены для частиц с малым показателем преломления, поэтому в МДД требуется большое dpl, чтобы их уменьшить. КРВО менее подвержен ошибкам формы, поскольку 1) он типично использует большее dpl чем МДД; 2) внутри алгоритма рассматриваются точки как в центрах ячеек, так и на их границах, тем самым dpl эффективно удваивается для описании формы частицы. Глубокие минимумы на рис. 31(а) связаны с симметричной формой, и поэтому они должны быть менее выражены для шероховатых или неоднородных частиц. Следовательно быстродействие, т.е. время требуемое для достижения заданной точности, обоих методов, и особенно МДД, должно быть лучше для несимметричных оптически мягких частиц.
2.6.4. Пример применения к биологическим клеткам
Для сложных биологических частиц не существует строгого точного метода для использования в качестве эталона. Поэтому в качестве такового мы используем результаты МДД для больших значений dpl. Для BCP эталонные результаты получены при dpl = 30 – максимально достижимое значение при данных вычислительных ресурсах. Так как эритроцит меньше чем BCP, для него мы смогли достигнуть dpl = 49, и далее улучшили этот результат путём экстраполяции (см. раздел 2.3), используя результаты для 9 значений dpl в диапазоне от 12 до 49. Оценки погрешностей экстраполяции составляют: ОО(Qext) = 2.6×10−4, СКОО(S11) = 0.12, СКО(P) = 0.052.
Быстродействие и точность МДД и КРВО для биологических клеток и двухслойного шара приведены в таблице 11. Показанные значения точности для эритроцита имеют неопределённость равную погрешности экстраполяции. Погрешности эталонных результатов для BCP не известны, но мы считаем, что они не намного меньше значений, указанных в таблице 11. Поэтому точности результатов обоих методов для BCP чётко не определены и приводятся только для иллюстрации.
136
|
106 |
|
|
|
|
|
|
|
105 |
|
|
|
Экстраполяция |
|
|
|
|
|
|
|
МДД |
|
|
|
104 |
|
|
|
КРВО |
|
|
|
|
|
|
|
|
|
|
(θ ) |
103 |
|
|
|
|
(а) |
|
2 |
|
|
|
|
|
|
|
11 |
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
|
S |
|
|
|
|
|
|
|
|
101 |
|
|
|
|
|
|
|
100 |
|
|
|
|
|
|
|
10-1 |
|
|
|
|
|
|
|
10-2 |
|
|
|
|
|
|
|
106 |
|
|
|
dpl = 30, МДД |
|
|
|
|
|
|
|
|
||
|
105 |
|
|
|
МДД |
|
|
|
|
|
|
|
КРВО |
|
|
|
104 |
|
|
|
двухслойный шар |
|
|
|
|
|
|
|
|
|
|
(θ ) |
103 |
|
|
|
|
(б) |
|
2 |
|
|
|
|
|
|
|
11 |
|
|
|
|
|
|
|
10 |
|
|
|
|
|
|
|
S |
|
|
|
|
|
|
|
|
101 |
|
|
|
|
|
|
|
100 |
|
|
|
|
|
|
|
10-1 |
|
|
|
|
|
|
|
0 |
30 |
60 |
90 |
120 |
150 |
180 |
|
|
|
Угол рассеяния θ, градусы |
|
|
Рис. 33. Сравнение результатов МДД и КРВО с эталонами при вычислении S11(θ ) (в логарифмическом масштабе) для (а) эритроцита и (б) BCP. В части (б) также показано решение Ми для двухслойного шара, моделирующего BCP.
Результаты S11 для обоих методов вместе с эталонами для эритроцита и BCP приведены на рис. 33. На рис. 33(б) также приведено решение Ми для двухслойного шара – видно, что эта модель является плохим приближением реальной формы BCP.
Моделирование биологических клеток полностью подтверждает вывод подраздела 2.6.3: оба метода точны, но МДД явно превосходит КРВО в этом диапазоне x и m (быстрее примерно в 50 раз). При этом МДД приводит к точным результатам для реальных форм клеток при dpl ≈ 10, по крайней мере в этих двух конкретных случаях.
2.6.5. Выводы
Мы провели систематическое сравнение МДД и метода конечных разностей во временной области (КРВО) для шаров в диапазоне размерного параметра x вплоть до
80 и вещественной части показателя преломления m′ до 2, используя современные программные реализации обоих методов. МДД более чем на порядок быстрее при m′ ≤ 1.2 и x > 30, в то время как при m′ ≥ 1.7, наоборот, КРВО быстрее в той же степени,
а при m′ = 1.4 методы сравнимы. Ошибки МДД для S11(θ ) при m′ = 1.02 вызваны в
137
основном ошибками формы, которые должны быть меньше для шероховатых и/или неоднородных частиц. Рассмотренные примеры биологических клеток согласуются с выводами для шаров.
Хотя выводы данного сравнения немного зависят от конкретной характеристики рассеяния и от степени оптимизации программ, принципиально они не изменятся пока не произойдёт большое улучшение эффективности одного из методов. В частности, улучшение итерационного метода и/или предобусловливание может значительно улучшить эффективность МДД для больших m. Для КРВО использовался «надёжный» набор параметров идеально согласованного слоя, настройка этих параметров может привести к более тонкому слою, что улучшит эффективность, особенно для задач большого размера. Более того программа КРВО использует память консервативно, в то время как некоторое ускорение может быть достигнуто за счёт дополнительной памяти.
Данное сравнение нельзя считать завершённым, поскольку мы не варьировали мнимую часть показателя преломления, которая существенно влияет на эффективность обоих методов (см. параграф 2.1.3.2 и [31]). Это варьирование является темой дальнейшего исследования.
138