基于深度学习的适应光学用于光板光显微镜

科学领域:

• 生物医学成像学 生物医学成像学
• 光学显微镜是一种光学显微镜.
• 计算机成像成像技术

背景情况:

• 光板光显微镜 (LSFM) 能够以细胞分辨率对清除的组织进行高速成像.
• 由于样本诱导的光学偏差,特别是深层组织成像中,LSFM的性能受到损害.
• 目前的无传感器自适应光学方法用于纠正偏差是缓慢的,需要数千张图像.

研究的目的:

• 开发一种快速准确的方法来估计和纠正LSFM中的光学偏差.
• 提高图像质量,并使清除的生物标本能够更深入地成像.
• 解决高通量显微镜中现有的自适应光学技术的局限性.

主要方法:

• 利用深度学习算法从最小的图像数据 (每个区域两张图像) 估计样本诱导的偏差.
• 基于深度学习估计,实现了可变形镜来纠正偏差.
• 引入了一种新的抽样策略,用于高效的神经网络培训.
• 对比了两个不同的深度学习网络架构用于误差估计.

主要成果:

• 深度学习准确地估计了仅来自两个图像的误差,大大缩短了获取时间.
• 使用可变形镜的偏差校正在清除的组织中明显改善了图像质量.
• 开发的方法比传统的无传感器自适应光学提供了显著的速度改进.
• 两个测试的网络架构都提供了有效的偏差校正.

结论:

• 深度学习提供了一种高效,快速的解决方案来纠正LSFM中的光学偏差.
• 这种方法提高了图像质量,并促进了清除组织的更深入,更可靠的成像.
• 该方法克服了传统自适应光学的关键速度限制,使得生物样本分析更快,更全面.