无标签超分辨显微镜的面向深层学习的体外协议：网络架构与信噪比依赖性比较研究
计算机视觉与模式识别
2025-09-29 v1 人工智能
摘要
光学显微技术横跨教育、医疗、质量检测等诸多行业和科研领域，但其横向分辨率的局限性（通常约为 200nm）常被显微学家诉求。这种限制可通过昂贵的外部模块（如共聚焦扫描头等）或特殊技术（如超分辨率（SR）荧光显微镜）来规避。然而，这些方法在面向普通（非专业）用户的情境下仍不具普适性。本研究评估了一种替代且经济实惠的途径：利用非荧光相位调制显微技术，如 Zernike 相位对比显微镜（PCM）和微分干涉显微镜（DIC）实现 SR 光学显微。我们先前开发的两种体内深度神经网络（DNN）架构（称为 O-Net 与 Theta-Net）在提升这些图像的超分辨率方面表现如何进行评估。实验结果表明，尽管 O-Net 与 Theta-Net 在超分辨率处理上似乎都表现良好，但它们是互补的而非竞争的方案，需根据源图像的信噪比（SNR）进行选择。高 SNR 的图像更适合应用 O-Net 模型，而低 SNR 的图像则倾向于使用 Theta-Net 模型。这些发现凸显了网络架构（以及源图像的 SNR）对模型性能和生成图像的 SR 质量的重要性，即便在相同训练数据集和 epoch 数的情况下亦如此。
引用
@article{arxiv.2509.21376,
title = {In silico Deep Learning Protocols for Label-Free Super-Resolution Microscopy: A Comparative Study of Network Architectures and SNR Dependence},
author = {Shiraz S Kaderuppan and Jonathan Mar and Andrew Irvine and Anurag Sharma and Muhammad Ramadan Saifuddin and Wai Leong Eugene Wong and Wai Lok Woo},
journal= {arXiv preprint arXiv:2509.21376},
year = {2025}
}
备注
20 pages, 10 figures