基于深度学习的图像修复和光显微镜的超分辨率:概述和资源
David Lohr1,2,3, Lina Meyer4,5,6, Lena-Marie Woelk4,5,6
1Institute for Applied Medical Informatics, University Medical Center Hamburg-Eppendorf, Hamburg, Germany. d.lohr@uke.de.
Methods in molecular biology (Clifton, N.J.)
|April 12, 2025
概括
深度学习 (DL) 通过解决噪音和分辨率问题来增强光显微镜. 本综述为研究人员提供了工具和资源,以在活细胞成像中应用DL,提高数据质量和促进参与.
科学领域:
- 生物物理学的生物物理.
- 细胞生物学 细胞生物学
- 计算成像技术的成像
背景情况:
- 光显微镜对于活细胞动态至关重要,但由于光毒性,漂白和噪声而遭受信号降解.
- 这些局限性降低了信号噪声比和图像分辨率,阻碍了详细的细胞和分子分析.
研究的目的:
- 审查经典和深度学习 (DL) 方法,以提高光显微镜图像质量.
- 为研究人员提供可访问的工具和资源,用于在活细胞成像中应用DL.
主要方法:
- 传统图像处理技术的概述,用于消除和解压.
- 对光显微镜数据应用的深度学习 (DL) 算法的探索.
- 在显微镜中编译DL的开源数据库和代码存储库.
主要成果:
- 在光显微镜中,DL方法有效地减轻噪声并提高分辨率.
- 识别和总结了用于无声化,解卷和超分辨率的关键DL方法.
- 提供了一个基于DL的实用图像染项目,以便轻松实施.
结论:
- 深度学习提供了强大的解决方案,以克服光显微镜的局限性.
- 该审查为研究人员提供了资源,以实施和开发用于先进活细胞成像的DL应用程序.
- 促进更广泛的研究人员参与DL用于生物成像研究.
