用轻量级神经网络在低光下实时成像的结构化照明显微镜的重建
Hesong Jiang1, Peihong Wu1, Juan Zhang1
1School of Information and Control Engineering, Southwest University of Science and Technology, Sichuan, China.
Journal of microscopy
|August 22, 2025
概括
这项研究介绍了MCU-Net,这是一种用于超分辨率显微镜的轻量级深度学习模型. 在低光条件下提高图像质量,降低光毒性,提高活细胞成像的重建速度.
科学领域:
- 生物物理
- 神经科学
- 细胞生物学
背景情况:
- 结构化照明显微镜 (SIM) 提供超级分辨率,但受到高光强度,缓慢成像和光毒性的影响.
- 这些局限性对于活细胞成像特别有问题,影响样本的完整性.
研究的目的:
- 开发一个轻量级的深度学习模型,MCU-Net,以在SIM中高效和高质量的超分辨率重建.
- 在显微镜中应对低光条件,光毒性和光漂白的挑战.
主要方法:
- 提出了一种轻量级的多卷积联网 (MCU-Net) 模型,参数减少.
- 集成的多尺度注意力机制以提高对不同尺度和图像纹理的敏感性.
- 对各种数据集和条件的传统算法和其他深度学习模型进行性能评估.
主要成果:
- 与其他深度学习模型相比,MCU-Net表现优异,MS-SSIM改善了12.66%,NRMSE增加了50.79%.
- 即使在低信号噪声比输入时,也可以实现稳定的预测准确性.
- 与DFCAN相比,推断速度提高了76. 10%,平衡速度和准确性.
结论:
- 在显微镜中进行超分辨率重建,特别是在低光条件下,MCU-Net提供了高效准确的解决方案.
- 该模型有效缓解光毒性和光漂白问题,使其适合活细胞成像.
- 在生物研究中,MCU-Net在平衡重建速度和图像质量方面取得了重大进展.
