基于深度学习的光损伤减少在低水平光学功率的波生成显微镜上.

科学领域:

• 有光学生物成像的生物成像.
• 显微镜的使用方法
• 人工智能的人工智能是人工智能.

背景情况:

• 在光学生物成像中高质量的成像通常因光毒性而与细胞健康发生冲突.
• 子生成显微镜 (HGM),包括第二子生成 (SHG) 和第三子生成 (THG),面临着这种权衡.
• 尽量减少光线暴露对于在成像过程中保持细胞活力至关重要.

研究的目的:

• 为HGM.开发基于深度学习的功率增强 (PE) 模型.
• 为了能够从低功率输入中预测高功率的HGM图像.
• 为了减少HGM中的光毒性和光损伤,同时保持图像质量.

主要方法:

• 在子生成显微镜 (HGM) 中实施基于深度学习的功率增强 (PE) 模型.
• 使用低功率HGM图像训练PE模型,以预测相应的高功率图像.
• 在正常和异常皮肤组织数据上测试模型的有效性.

主要成果:

• 该PE模型成功地预测了来自低功率输入的高功率HGM图像.
• 该模型显著降低了光毒性和光损伤的风险.
• 在正常皮肤上训练的PE模型准确地预测了异常皮肤数据,有助于癌细胞的识别.

结论:

• 基于深度学习的功率增强为HGM的高质量成像与细胞健康权衡提供了解决方案.
• 在皮肤病理学中,PE模型在识别癌细胞方面具有实用性.
• 对于活体和活体HGM应用,PE模型具有前景.