深度计算机生成的全息图,具有时间聚焦和数字传播矩阵,用于快速的3D多光子刺激

科学领域:

• 光学和光子学 在光学和光子学.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 基于深度学习的计算机生成全息 (DeepCGH) 加快了3D多光子刺激,但缺乏轴束限制,并因深度的推断时间增加而受到影响.
• 像Gerchberg-Saxton (GS) 这样的传统方法是缓慢的,可能无法满足复杂的生物成像的需求.

研究的目的:

• 开发一个无监督的DeepCGH模型,增强轴束限制和计算效率,用于3D多光子刺激.
• 为了实现微米尺度的轴分辨率,并保持与已知的方法相比较的高激发强度.

主要方法:

• 一个无监督的U-Net DeepCGH模型被开发出来,它结合了时间聚焦 (TF) 进行轴向限制.
• 数字传播矩阵 (DPM) 集成到数据预处理阶段,以实现任意深度刺激和减少计算.
• 使用物理约束学习和改进的损失函数来优化TF激发效率.

主要成果:

• 拟议的TF-DeepCGH与DPM实现了大约5μm的轴分辨率.
• 与标准的DeepCGH方法相比,DPM的集成减少了超过35%的计算时间.
• 该模型显示了与TF方法的最佳GS可比的轴分辨率和激发强度.

结论:

• 开发的无监督TF-DeepCGH模型与DPM在3D多光子刺激方面取得了重大进展.
• 这种方法提供了一个计算效率高的解决方案,可以实现精确的轴束限制,这对于先进的神经科学和生物医学应用至关重要.
• 该方法在性能上与传统方法相竞争,同时大幅提高速度和减少计算负载.