实时和通用网络用于从微尺度到宏尺度的高分辨率体积成像

科学领域:

• 光学和成像科学科学 光学和成像科学
• 计算机视觉和机器学习
• 生物医学工程 生物医学工程

背景情况:

• 光场成像在微观,中等和宏观成像中提供了广泛的应用.
• 目前用于光场重建的深度学习方法主要集中在微观应用上.
• 需要用于多尺度光场成像的通用重建算法来推进体积成像.

研究的目的:

• 引入一个实时和通用网络 (RTU-Net),用于所有尺度的高分辨率光场图像重建.
• 解决现有方法的局限性,专注于微尺度重建.
• 开发一个能够进行多尺度光场图像重建的网络,以实现增强的体积成像.

主要方法:

• 开发了RTU-Net,这是一种用于光场图像重建的新型网络架构.
• 采用基于生成对抗原则的适应性损失函数来增强概括性.
• 验证了RTU-Net在各种多尺度数据集上的性能:微尺度 (管,线粒体),中尺度 (合成老鼠神经) 和宏观尺度 (粒子成像速度测量).

主要成果:

• RTU-Net实现了实时,高分辨率的重建,跨越了广泛的体积范围 (300μm3到25mm3).
• 与现有的光场重建网络相比,显示出更高的分辨率.
• 由于其适应性损失函数,表现出强大的概括能力.

结论:

• RTU-Net是第一个用于多尺度光场图像重建的通用网络.
• 它的高分辨率,强大,高效和广泛适用的性质将大大推进体积成像.
• RTU-Net深入了解跨科学领域的高分辨率和体积成像.