DEEP$^2$：基于深度学习的激发图案化去散射方法
图像与视频处理
2022-12-26 v2 机器学习
摘要
有限通量是使用非线性光学显微镜进行活体深组织成像的一个关键挑战。点扫描多光子显微镜作为当前金标准，速度缓慢，尤其相较于用于光学透明或薄标本的宽场成像模式。我们最近引入了“激发图案化去散射（DEEP）”，作为点扫描几何结构的宽场替代方案。DEEP 利用图案化多光子激发，在散射前于组织内部编码空间信息。然而，要在典型深度下去散射，需要数百次此类图案化激发。在这项工作中，我们提出 DEEP，一种基于深度学习的模型，它仅需数十次而非数百次图案化激发即可对图像去散射。因此，我们将 DEEP 的通量提高了近一个数量级。我们在多个数值与物理实验中展示了我们的方法，包括在活体小鼠中深达四个散射长度的活体皮质血管成像。
引用
@article{arxiv.2210.10892,
title = {DEEP$^2$: Deep Learning Powered De-scattering with Excitation Patterning},
author = {Navodini Wijethilake and Mithunjha Anandakumar and Cheng Zheng and Peter T. C. So and Murat Yildirim and Dushan N. Wadduwage},
journal= {arXiv preprint arXiv:2210.10892},
year = {2022}
}