基于深度学习的荧光显微图像三维虚拟重聚焦
计算机视觉与模式识别
2019-11-05 v2 机器学习
应用物理
光学
摘要
三维（3D）荧光显微镜通常需要轴向扫描以捕获样本在不同平面的图像。此处我们展示，可训练深度卷积神经网络将二维荧光图像虚拟重聚焦于样本体积内用户定义的 3D 表面。借助这一数据驱动的计算显微框架，我们利用在单一焦平面获取的时间序列荧光图像对秀丽隐杆线虫的神经元活动进行 3D 成像，将显微镜的景深数字化提升 20 倍，而无需任何轴向扫描、额外硬件，也不牺牲成像分辨率或速度。此外，我们证明这种基于学习的方法可校正样本漂移、倾斜及其他图像像差，且全部在单张荧光图像采集后数字完成。这一独特框架还将不同成像模态相互连接，使得单张宽场荧光图像的 3D 重聚焦可匹配在不同样本平面获取的共聚焦显微镜图像。这种基于深度学习的 3D 图像重聚焦方法可能变革 3D 生物样本的成像与追踪，尤其在长时间过程中，缓解与标准 3D 荧光显微技术相关的光毒性、样本漂移、像差和离焦挑战。
引用
@article{arxiv.1901.11252,
title = {Three-dimensional virtual refocusing of fluorescence microscopy images using deep learning},
author = {Yichen Wu and Yair Rivenson and Hongda Wang and Yilin Luo and Eyal Ben-David and Laurent A. Bentolila and Christian Pritz and Aydogan Ozcan},
journal= {arXiv preprint arXiv:1901.11252},
year = {2019}
}
备注
47 pages, 5 figures (main text)