基于神经网络的处理和重建受损的生物光子图像数据
Michael John Fanous1, Paloma Casteleiro Costa1, Çağatay Işıl1,2,3
1Electrical and Computer Engineering Department, University of California, Los Angeles, CA, USA.
Light, science & applications
|September 5, 2024
概括
研究人员正在使用深度学习 (AI) 来改进生物光子成像,故意降低一些指标并用AI进行补偿. 这一策略提高了成像速度,降低了成本,并改善了先进生物成像应用的形式因素.
科学领域:
- 生物光子学和成像技术
- 生物科学中的深度学习
- 计算成像技术的成像
背景情况:
- 与生物光子设置的深度学习集成正在彻底改变生物成像.
- 一个关键的趋势是故意损害测量指标 (例如PSF,SNR) 以提高成本,速度和形式因素.
- 深度学习模型使用广泛的理想数据来弥补这些妥协.
研究的目的:
- 审查在生物光子设置中故意损害的测量方面.
- 探索深度学习如何弥补这些障碍.
- 要突出像视野 (FOV) 和视野深度 (DOF) 这样的参数的增强.
主要方法:
- 蓄意降低诸如点差函数 (PSF),信号噪声比 (SNR),采样密度和像素分辨率等指标.
- 深度学习网络的应用用于缺陷补偿.
- 在理想或高级成像数据的大数据集上训练深度学习模型.
主要成果:
- 成功恢复受损的指标 (PSF,SNR等) 通过深度学习.
- 增强其他关键的成像参数,包括视野 (FOV),视野深度 (DOF) 和空间带宽产值 (SBP).
- 演示提高成像速度,降低成本和简化硬件.
结论:
- 某些生物光子指标的战略妥协,加上深度学习补偿,在生物成像中提供了显著的优势.
- 这种方法提高了成像速度,降低了成本和硬件复杂性,使先进的成像更容易获得.
- 未来的研究应该集中在新的方法来平衡硬件妥协与人工智能驱动的补偿先进的生物光子应用程序.
