基于循环神经网络的体荧光显微成像
光学
2021-03-24 v1 计算机视觉与模式识别
机器学习
生物物理
摘要
利用荧光显微镜对样品进行体成像在物理、医学和生命科学等多个领域中发挥着重要作用。本文报道一种基于深度学习的体图像推断框架,其使用标准宽场荧光显微镜在样品体积内任意轴向位置稀疏采集的 2D 图像。通过一个我们称之为 Recurrent-MZ 的循环卷积神经网络,样品内少数轴向平面的 2D 荧光信息被显式地整合,以在数字上重建扩展景深下的样品体积。通过对 C. Elegans 和纳米珠样品的实验,Recurrent-MZ 被证明可将 63x/1.4NA 物镜的景深提升约 50 倍,同时将成像相同样品体积所需的轴向扫描次数减少 30 倍。我们进一步展示了该循环网络在 3D 成像中的泛化能力,表明其对变化成像条件的鲁棒性,包括例如不同输入图像序列、覆盖各种轴向排列以及未知轴向定位误差。Recurrent-MZ 展示了循环神经网络在显微图像重建中的首次应用,并提供了一种灵活快速的体成像框架,克服了当前 3D 扫描显微工具的局限。
引用
@article{arxiv.2010.10781,
title = {Recurrent neural network-based volumetric fluorescence microscopy},
author = {Luzhe Huang and Yilin Luo and Yair Rivenson and Aydogan Ozcan},
journal= {arXiv preprint arXiv:2010.10781},
year = {2021}
}
备注
17 pages, 7 figures