模型启发的深度学习用于光场显微镜及其在神经元定位中的应用

光场显微镜能够捕获入射光线的空间与角度信息。这使得从单次快照重建神经元的3D位置成为可能。在本工作中，我们提出一种模型启发的深度学习方法来利用光场显微镜图像快速且鲁棒地进行光源的3D定位。这是通过开发一个深度网络高效求解卷积稀疏编码（CSC）问题，将极平面图像（EPI）映射到相应稀疏编码来实现的。该网络架构通过展开卷积迭代收缩与阈值算法（ISTA）系统设计并借助训练数据集学习网络参数。此种基于原理的设计使深度网络能够同时利用模型中隐含的领域知识以及从数据中学得的新参数，从而结合基于模型与基于学习方法的优势。在从光场定位哺乳动物神经元的实际实验中，所提方法同时提供了增强的性能、可解释性与效率。