从单张光场图像学习重建共聚焦显微镜堆栈

我们提出了一种从单张光场图像重建共聚焦显微镜堆栈的新型深度学习方法。为执行重建，我们引入了 LFMNet，一种受 U-Net 设计启发的新型神经网络架构。给定一张 1287x1287 像素的单张光场图像，它能够在 50ms 内以高精度重建 112x112x57.6$\mu m^3$ 体积（1287x1287x64 体素），从而将相同体积分辨率下共聚焦扫描检测所需的时间大幅减少 720 倍，并将所需存储减少 64 倍。为证明在生命科学中的适用性，我们的方法在带有荧光标记血管的小鼠脑切片上进行了定量与定性评估。由于扫描时间和存储空间的急剧减少，我们的装置与方法可直接用于实时在体 3D 显微镜。我们提供了光学设计、网络架构以及训练过程的分析，以针对给定目标深度范围最优重建体积。为训练我们的网络，我们构建了 362 张小鼠脑血管光场图像的数据集及相应的对齐 3D 共聚焦扫描集，后者用作真值。该数据集将提供给研究用途。