导读

近年来，深度学习与生物光子学的融合开创了生物成像的新纪元。美国加州大学洛杉矶分校的Aydogan Ozcan团队以“Neural Network-Based Processing and Reconstruction of Compromised Biophotonic Image Data”为题在Light: Science & Applications发表综述文章。

该团队总结了一些新兴成像方法。通过妥协某些测量指标以开发成本更低、速度更快、更紧凑的生物成像工具，再通过在更优或替代数据集上训练深度学习模型对受损的成像指标进行补偿。这种策略改善了生物光学成像技术的时间分辨率、成像速度和硬件简化等多个方面。

图1：基于神经网络的图像处理和受损图像数据重建示意图。原始图像数据可以在分辨率、采样密度和信噪比等方面作出妥协。深度学习补偿能够带来系统成像速度，经济成本及硬件体积等方面的优势。

介绍

本文深入探讨了在生物光学图像数据中可妥协的测量指标，包括点扩散函数（PSF）、信噪比（SNR）、采样密度和像素分辨率等。通过利用深度学习网络，这些受损指标不仅得以恢复，还得到增强，从而改善了生成图像数据的视场（FOV）、景深（DOF）和空间带宽积（SBP）。本文展示了成功采用这种方法的各种生物光学成像技术，强调了深度学习在各种应用场景下处理受损生物光学图像数据方面的多功能性和有效性。

重聚焦与去模糊

文章重点介绍了基于先进神经网络的图像重聚焦与去模糊方法，这对于获得高保真、全聚焦图像至关重要。其中一些技术在无需硬件修改的情况下，显著提升了成像速度和质量。

欠采样数据重建

文章还涵盖了各种利用减少数据采集进行高效图像重建的方法。本文举例展示了如单次曝光傅里叶叠层显微镜（Fourier ptychographic microscopy）和Recurrent-MZ体积成像等创新方法，阐述了深度学习如何补偿欠采样数据，在保持高成像质量的同时，减少光损伤。

提升图像质量和吞吐量

文章还总结了使用简单、低成本的设备提升图像质量和吞吐量的各种方法。诸如手机显微镜等技术展示了神经网络如何将次优成像数据转化为高质量图像。

前景展望

通过策略性地妥协测量指标并通过深度学习进行补偿，研究人员可以实现更高的时间分辨率、加快成像速度与简化硬件配置，并降低了先进生物光学成像技术的应用门槛。这些技术对生物光学成像的未来具有深远影响，特别是在如生物学过程的实时观察和临床诊断等需要快速高质量成像的应用中。这些创新方法将彻底改变生物光子学领域，为更经济、高效的生物光学成像方案铺平道路。（来源：中国光学微信公众号）

相关论文信息：https://doi.org/10.1038/s41377-024-01544-9