广场,高分辨率的重建在计算式多孔迷你望远镜使用福里埃神经网络的福里埃神经网络

科学领域:

• 生物医学工程 生物医学工程
• 计算成像技术的成像
• 显微镜的使用方法

背景情况:

• 传统的光显微镜在分辨率,视野和复杂性方面存在局限性.
• 现有的方法在成像参数之间的权衡方面扎.
• 需要紧,高性能显微镜解决方案.

研究的目的:

• 推出一种简单,低成本的计算型多孔径微型显微镜.
• 开发一个强大的图像重建方法来处理系统特定的偏差.
• 为了使生物样本能够进行广场,高分辨率的成像.

主要方法:

• 使用微镜阵列进行一次性,广场成像.
• 开发了SV-FourierNet,一个多通道的福里埃神经网络,以解决转移变量误差.
• 使用基于物理的模拟器训练神经网络.
• 建立了物理点差函数与网络的受体场之间的联系.

主要成果:

• 在整个视野中,SV-FourierNet成功地重建了高分辨率图像.
• 神经网络有效地学习和补偿空间变化的偏差.
• 展示了自由移动的C的宽场,高分辨率的视频重建. 伊莱根斯 (elegans) 是一个词.
• 展示了小鼠大脑部分的成像,其分辨率得到了提高.

结论:

• 计算型多孔微型显微镜与SV-FourierNet相结合,在显微镜学中取得了重大进展.
• 这个系统克服了传统的权衡,在一个紧的形式因素中提供高分辨率的成像.
• 生物医学研究和其他需要可访问显微镜的领域的广泛应用的潜力.