基于模拟器训练神经网络在散射介质中鲁棒的单次三维荧光成像
信号处理
2023-12-11 v2 生物物理
光学
摘要
在诸多生物应用中，穿透散射介质成像是一个普遍且困难的问题。散射导致的高本底与呈指数衰减的目标信号从根本上限制了荧光显微镜的成像深度。光场系统利于高速体成像，但2D到3D的重建本质上是病态的，而散射加剧了逆问题的条件。在此，我们开发了一种散射模拟器，建模埋藏于异质强本底中的低对比度目标信号。随后我们仅在合成数据上训练深度神经网络，以从单次光场测量(低信本比(SBR))中解散射并重建三维体。我们将该网络应用于我们先前开发的计算微型显微镜(Computational Miniature Mesoscope)，并在不同散射条件的散射体模上展示了深度学习算法的鲁棒性。该网络能以低至1.05的SBR二维测量且深达一个散射长度的3D发射体进行鲁棒重建。我们基于网络设计因素与分布外数据分析了影响深度学习模型对真实实验数据泛化能力的基本权衡。广泛而言，我们相信这种基于模拟器的深度学习方法可应用于缺乏实验配对训练数据的广泛穿透散射成像技术。
引用
@article{arxiv.2303.12573,
title = {Robust single-shot 3D fluorescence imaging in scattering media with a simulator-trained neural network},
author = {Jeffrey Alido and Joseph Greene and Yujia Xue and Guorong Hu and Yunzhe Li and Mitchell Gilmore and Kevin J. Monk and Brett T. DiBenedictis and Ian G. Davison and Lei Tian},
journal= {arXiv preprint arXiv:2303.12573},
year = {2023}
}