帖子
勋章
关注
任务
基于深度学习的像差补偿提高显微镜的对比度和分辨率 深度衰减是生物学家非常熟悉的一个问题： 观察样本越深，图像就越模糊。一个蠕虫胚胎或一块组织可能只有几十微米厚，但当显微镜仪器探查到顶层之外时，光线的弯曲会导致显微镜图像失去清晰度。 为了解决这个问题，显微镜学家在现有的显微镜上增加了一些技术，以消除这些扭曲。但这种被称为自适应光学的技术需要时间、资金和专业知识，因此能使用这种技术的生物实验室相对较少。 现在，HHMI Janelia 研究园区的研究人员与合作者开发出了一种方法，可以进行类似的校正，但不需要使用自适应光学技术，不需要添加额外的硬件，也不需要拍摄更多的图像。来自 Shroff 实验室的一个团队开发出了一种新的人工智能方法，可以在厚厚的生物样本中生成清晰的显微镜图像。 论文发表在《自然·通讯》（Nature Communications）杂志上。  基于深度学习的像差补偿的概念和模拟 为了创造这项新技术，研究小组首先想出了一种方法，为显微镜深入均匀样本成像时图像如何退化建立模型。然后，他们将模型应用于同一样本未退化的近侧图像，使这些清晰的图像变得与更深的图像一样扭曲。然后，他们训练了一个神经网络来扭转整个样本的失真，从而在样本的整个深度获得清晰的图像。 这种方法不仅能生成更好看的图像，还能让研究小组更精确地计算蠕虫胚胎中的细胞数量，追踪整个小鼠胚胎中的血管和血管束，并检查小鼠肝脏和心脏碎片中的线粒体。 这种基于深度学习的新方法不需要任何设备，只需要一台标准显微镜、一台带显卡的计算机和一个关于如何运行计算机代码的简短教程，因此比传统的自适应光学技术更容易获得。 Shroff 实验室已经在使用这项新技术为蠕虫胚胎成像，该团队计划进一步开发该模型，使其对样本结构的依赖性降低，这样新方法就能应用于不太均匀的样本。 分享到：
|
最新评论
