基于深度学习的多分辨显微关联成像系统设计

显微成像技术作为研究细胞和生物组织的主要工具,对生物医学的发展起到了极大的推动作用。生物样本的复杂化和生物医学领域对时间和空间分辨率的多样化需求决定了单一功能生物成像系统应用的局限性。为满足生物医学领域的多样化需求,解决成像质量与成像时间之间的矛盾,设计了一种基于深度学习的多分辨显微关联成像系统。该系统通过对显微镜进行硬件设计改造和软件处理,将深度学习与关联成像技术有效结合,当采样率仅为60%时,成像系统能够较好地恢复图像细节,大幅降低欠采样带来的噪声,同时显著提升系统成像的时间分辨率。另外,为了满足所设计的小型多分辨显微关联成像系统的实际需求,采用基于重参数化思想的超高效轻量超分网络,在资源受限的设备下实现实时高质量成像。所提出的成像系统可以在保证成像质量的同时显著缩短成像时间和减少内存占用。不同类型生物样本和分辨率板的测试结果进一步表明了系统的鲁棒性和抗噪性能,研究结果对生物医学领域具有重要意义。

基于Hadamard优化矩阵的多分辨显微关联成像研究

为满足显微成像领域的多样化需求,解决实际应用中成像质量与成像时间之间的矛盾,提出一种基于数字微镜器件的多分辨显微关联成像方法。该方法利用LED光源作为背景照射光源,对科研级荧光正置显微镜原光路改装设计为关联成像光路,采用多分辨Hadamard优化矩阵作为数字微镜器件的预置图样,实现了生物组织样品的连续多分辨成像。实验结果表明,多分辨显微关联成像系统的分辨率可达218 nm,单组测量后可同时输出8组不同分辨率图像,能够根据实际应用中不同图像质量需求选择不同的分辨率,减少成像时间和存储空间,极大地提高了显微成像的灵活性。这种新型多分辨显微关联成像方法可以扩展至细胞筛选、细胞实时成像等领域,对推动关联成像在细胞和生物组织显微成像领域的应用具有重要意义。