相关实验视频
Updated: Apr 24, 2026
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
10.5K
在深层组织成像中使用基于变压器的神经网络进行散射和图像恢复
Xiangcong Xu1, Renlong Zhang1, Chenggui Luo1
1State Key Laboratory of Radio Frequency Heterogeneous Integration, Key Laboratory of Optoelectronic Devices and Systems of Ministry of Education and Guangdong Province, College of Physics and Optoelectronic Engineering, Shenzhen University, Shenzhen 518060, China.
概括
这项研究引入了一种新的深度学习模型,以改善深层组织成像. 多注意网络增强了双光子激发光 (TPEF) 图像,使生物组织更深处的图像更清晰.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 深度学习 (Deep Learning) 是一种深度学习.
- 光学显微镜的使用方法
背景情况:
- 深入生物组织的成像对于了解细胞过程至关重要.
- 光散射显著限制了像双光子激发光 (TPEF) 显微镜等技术的成像深度和分辨率.
- 目前的方法通常需要复杂的光学设置来减轻散射.
研究的目的:
- 开发一种用于增强TPEF成像深度而无需硬件修改的计算方法.
- 创建一个深度学习模型,能够将分散的TPEF图像转换为高质量,无散射图像.
- 为了恢复隐藏的空间信息,由于在更深处的分散而丢失.
主要方法:
- 一个多注意深度学习网络被设计为直接映射退化的TPEF图像到恢复的图像.
- 该模型仅在模拟数据上进行训练,不需要注册的真实数据对.
- 该网络被优化为同时去散射图像和恢复丢失的细节.
主要成果:
- 对模拟数据的定量评估表明,峰值信号与噪声比率 (2329 dB) 和结构相似性指数 (23×) 显著改善.
- 该框架在体外样本中成功可视化了高达1300微米的深度的脂质滴.
- 在活小鼠大脑中实现了血管结构 (高达950微米) 和星球细胞 (高达500微米) 的清晰可视化.
结论:
- 拟议的多重注意网络有效地克服了TPEF成像中的光散射限制.
- 这种计算方法显著扩大了TPEF显微镜的实际成像深度.
- 该方法为深度生物组织可视化提供了一个强大的,独立于硬件的解决方案.
