深度MSIM:快速图像重建与深度学习在多焦结构化照明显微镜.
Jianhui Liao1, Chenshuang Zhang1, Xiangcong Xu1
1State Key Laboratory of Radio Frequency Heterogeneous Integration, Key Laboratory of Optoelectronic Devices and Systems of Ministry of Education and Guangdong Province, College of Physics and Optoelectronic Engineering, Shenzhen University, Shenzhen, 518060, China.
一种新的深度学习方法加速了多焦结构照明显微镜 (MSIM) 图像重建. 这种卷积神经网络 (CNN) 可以更快地实现超分辨率成像,并且使用更少的原始图像.
科学领域:
- 显微镜的使用方法
- 生物物理学的生物物理.
- 计算成像技术的成像
背景情况:
- 多焦结构照明显微镜 (MSIM) 需要快速而精确的算法来进行超分辨率图像重建.
- 目前的MSIM重建方法可能是计算密集型,限制实时应用.
研究的目的:
- 为加速MSIM图像重建开发基于深度学习的算法.
- 为了减少从MSIM数据中获得超分辨率图像的计算时间和数据要求.
主要方法:
- 一个深度卷积神经网络 (CNN) 的设计是为了学习从原始的MSIM图像到超分辨率图像的直接映射.
- 美国有线电视新闻网 (CNN) 模型在各种生物结构和体内斑马鱼成像中进行了训练和验证.
- 网络架构与不同的训练数据相适应,以减少所需的原始图像数量.
主要成果:
- 拟议的CNN方法显著加速MSIM重建,在传统方法的三分之一时间内取得结果.
- 在不影响空间分辨率的情况下获得了高质量的超高分辨率图像.
- 使用相同的网络架构,重建所需的原始图像数量减少了四倍.
结论:
- 深度学习,特别是CNN,提供了一种强大的方法来加速MSIM图像重建.
- 开发的方法提供了一种更快,更有效的方法来获取超高分辨率图像,从而实现先进的生物成像.
- 该方法显示了降低超分辨率显微镜数据采集负担的潜力.
更多相关视频
12:44Super-resolution Imaging of the Cytokinetic Z Ring in Live Bacteria Using Fast 3D-Structured Illumination Microscopy f3D-SIM
Published on: September 29, 2014
14:11Imaging Dendritic Spines of Rat Primary Hippocampal Neurons using Structured Illumination Microscopy
Published on: May 4, 2014
相关概念视频
Super-resolution Fluorescence Microscopy
Confocal Fluorescence Microscopy
Three-Dimensional Microscopy in Microbiology
