深度学习能否放宽内显微镜硬件微型化要求？

共焦激光内显微镜（CLE）是一种提供被检组织体内组织学横截面的新型成像模态。近来，为临床与研究应用而开发微型化体内成像设备（特别是共焦激光显微镜）的尝试不断出现。然而，当前微型 CLE 组件（如共焦透镜）的实现会牺牲图像分辨率、信噪比或两者兼而有之，从而对体内成像的效用产生负面影响。本工作中，我们证明基于软件的技术可用于恢复因内显微镜硬件微型化而丢失的信息，并重建更高分辨率的图像。具体而言，使用密集连接卷积神经网络从低分辨率输入重建高分辨率 CLE 图像。在所提网络中，每一层都直接连接至所有后续层，从而实现了低层与高层特征的有效结合以及全网高效的信息流动。为训练与评估我们的网络，我们使用了一个包含 181 张高分辨率 CLE 图像的数据集。定量与定性结果均表明，所提网络优于传统插值技术与竞争的基于学习的方法。本工作证明，基于软件的超分辨率是补偿因内镜硬件微型化所致分辨率损失的可行途径。