相关实验视频
Updated: Jul 8, 2026
08:31
Three-dimensional Optical-resolution Photoacoustic Microscopy
Published on: May 3, 2011
17.9K
混合变压器-CNN网络驱动的光学扫描低采样用于光声遥感显微镜
Yihan Pi1,2, Jijing Chen1,2, Kaixuan Ding1
1College of Precision Instrument and Optoelectronics Engineering, Tianjin University, Tianjin 300072, China.
Photoacoustics
|March 10, 2025
概括
深度学习通过使用光学扫描低采样加速光声遥感 (PARS) 显微镜成像速度. 这种方法可以在没有硬件升级的情况下将成像速度提高四倍,从而减少激光剂量和样品损伤.
科学领域:
- 生物医学光学 生物医学光学
- 显微镜的使用方法
- 人工智能的人工智能
背景情况:
- 影像速度对于光声学显微镜 (PAM) 来捕捉动态生物过程并实现实时临床应用至关重要.
- 目前用于增加成像速度的方法通常使用高重复率激光,冒着对样品的热损伤的风险.
研究的目的:
- 开发一种基于深度学习的方法,以加速光声遥感 (PARS) 显微镜成像采集.
- 为了保持恒定的激光重复率,并在加速成像过程中减少激光剂量.
主要方法:
- 开发了一种混合变压器-卷积神经网络 (HTC-GAN),用于处理光学扫描下面采样中的不均采样和运动不对齐.
- 通过使用定制的光仪扫描PARS系统获得了一组小鼠耳朵血管图像数据集,用于训练和验证.
- HTC-GAN 在低样本的PARS数据 (1/2和1/4) 上进行了训练和验证.
主要成果:
- HTC-GAN成功地从低采样数据中恢复了高质量的图像,与地面真相密切匹配.
- 该方法在基本的错位补偿算法和独立的CNN或变压器网络上表现出卓越的性能.
- 三维成像结果证实了该方法在多尺度扫描模式中的稳定性和多功能性.
结论:
- 拟议的光学扫描低采样方法可以实现PARS成像速度的四倍提高,而不需要硬件升级.
- 这种深度学习方法为提高各种光扫描显微系统的成像速度提供了可行的解决方案.
- 该技术减少了激光剂量,减轻了对生物样品的潜在热损伤.
