在扩展的视野中快速,多色光学分割,采用有图案的照明和机器学习

科学领域:

• 光学显微镜是一种光学显微镜.
• 生物成像是一种生物成像.
• 机器学习应用程序机器学习应用程序

背景情况:

• 结构化照明显微镜 (SIM) 通过拒绝失焦光来提供高速,高对比的成像.
• 目前的SIM技术受到图像重建器件的阻碍,在低信号噪声比 (SNR) 条件下性能差.
• 现有的方法与背景噪声和样品移动作斗争,限制了它们的适用性.

研究的目的:

• 开发一种新的结构化照明方法,用于高对比度,实时图像重建.
• 为了克服现有的光学切割技术的局限性,特别是文物和低SNR性能.
• 创建一个强大的成像方法,适应背景噪音和样本运动.

主要方法:

• 集成多色干扰度图案生成与先进的机器学习算法.
• 开发一个实时图像重建管道.
• 使用*in silico*模拟和各种生物和合成标本进行验证.

主要成果:

• 实现了图像数据的高对比度,实时重建.
• 对背景噪音和样本运动的证明强度.
• 在44×44μm2的视野中,成功地以11Hz的频率对固定和活生物样本和合成生物系统进行了成像,采集速度超过154Hz.

结论:

• 多色干扰度图案生成和机器学习的结合方法显著增强了结构化照明显微镜.
• 这种方法提供了强大,高速和高对比度的成像,克服了以前技术的关键局限性.
• 经过验证的技术显示了高级生物成像和生物系统分析的广泛适用性.