基于深度学习的像素级超分辨荧光寿命成像
计算机视觉与模式识别
2025-12-19 v1 机器学习
医学物理
光学
摘要
荧光寿命成像显微镜（FLIM）是一种强大的定量技术，提供代谢和分子对比，具有强大的翻译潜力，可实现无标签、实时诊断。然而，其临床应用仍受限于较长的像素驻留时间和较低的信噪比（SNR），这些因素比传统光学成像方法更严格地限制了分辨率与速度之间的权衡。本文引入了FLIM_PSR_k，一个基于深度学习的多通道像素级超分辨（PSR）框架，从数据中重建高分辨率FLIM图像，数据采集的像素尺寸可提高最高达5倍。该模型采用条件生成对抗网络（cGAN）框架训练，相较于扩散模型方法，能够提供更稳健的PSR重建且推理时间显著缩短，这对于实际部署至关重要。FLIM_PSR_k不仅加快了图像获取速度，还能缓解自动荧光基于FLIM的SNR限制。在保留给测试的患者来源肿瘤组织样本上的盲测测试显示，FLIM_PSR_k可可靠实现超分辨因子k=5，使输出图像的空间带宽积提高25倍，并揭示了在低分辨率输入中丢失的细微结构特征，在各种图像质量指标上实现统计学显著的改进。通过提高FLIM的有效空间分辨率，FLIM_PSR_k使寿命成像技术向更快的、更高分辨率的、且兼容低数值孔径和微型化平台的硬件灵活实现迈进，更好地为翻译应用做好准备。
引用
@article{arxiv.2512.16266,
title = {Pixel Super-Resolved Fluorescence Lifetime Imaging Using Deep Learning},
author = {Paloma Casteleiro Costa and Parnian Ghapandar Kashani and Xuhui Liu and Alexander Chen and Ary Portes and Julien Bec and Laura Marcu and Aydogan Ozcan},
journal= {arXiv preprint arXiv:2512.16266},
year = {2025}
}
备注
30 Pages, 9 Figures