DEEP-squared:深度学习驱动的De-scattering与激发模式的扩散

科学领域:

• 生物医学光学 生物医学光学
• 显微镜的使用方法
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 非线性光学显微镜,特别是点扫描多光子显微镜,在体内深层组织成像中面临吞吐量限制.
• 现有的广场成像模式更快,但通常仅限于光学清除或薄型标本.
• 之前的广场方法,如DEEP (De-scattering with Excitation Patterning) 编码了空间信息,但需要数百次模式激发来深度去散射.

研究的目的:

• 推出DEEP2,一个基于深度学习的模型,旨在加速深层组织成像中的脱散.
• 显著提高广场非线性光学显微镜的吞吐量.
• 为了使更深处的生物结构能够更快地进行体内成像.

主要方法:

• 开发DEEP2,一种使用模式式多光子激发的深度学习模型.
• 与以前的方法相比,训练和应用模型来消除图像的散射,使用的模式激发明显减少.
• 通过数值模拟和实验成像研究进行验证,包括体内小鼠模型.

主要成果:

• DEEP2成功地使用仅几十个模式激发来消除图像的散射,这比以前所需的数百个减少了.
• 与原来的DEEP方法相比,实现了几乎一个数量级的吞吐量改善.
• 在活体小鼠中,被证明有效的皮质血管成像可达4个分散长度的深度.

结论:

• DEEP2代表了深层组织成像技术的重大进步,克服了传统方法的吞吐量限制.
• 深度学习方法可以实现高效的分散,使广场非线性光学显微镜在体内应用中变得更加实用.
• 这项技术有望加速和更深入地可视化生物体中的生物过程.