基于递归神经网络的三维荧光图像重建框架。信用:加州大学洛杉矶分校奥兹坎实验室荧光样本的快速3D显微成像在物理和生物医学科学中有许多应用。给定单个2D图像所能提供的有限轴向范围，三维荧光成像通常需要使用密集采样网格对样本进行耗时的机械扫描。除了缓慢和冗长之外，这种方法还会在样品上引入额外的光照，这可能是有毒的，并会造成不必要的损害，例如光漂白。通过设计一个新的递归神经网络，加州大学洛杉矶分校的研究人员展示了一个深度学习的体积显微镜框架，用于荧光样本的三维成像。这种新方法只需要采集一些样品的2D图像来重建其三维图像，从而将荧光体积成像所需的扫描次数减少了约30倍。这种3D荧光成像方法的核心是卷积递归神经网络，它通过整合频繁出现和重要的物体信息和特征，同时遗忘或忽略一些冗余信息，直观地模拟人脑处理信息和存储记忆的过程。利用这种递归神经网络方案，加州大学洛杉矶分校的研究人员成功地结合了来自样本的多个2D图像的空间特征，以快速重建其三维荧光图像。
发表在《光:科学与应用》杂志上，加州大学洛杉矶分校团队使用荧光秀丽隐杆线虫样本证明了这种体积成像框架的成功，该样本被广泛用作生物学和生物工程中的模型生物。与涉及样本密集扫描的标准宽视场体积成像相比，这种基于递归神经网络的图像重建方法显著减少了所需的图像扫描次数，这也降低了样本上的总曝光。这些进步为观察3D样本提供了更高的成像速度，同时也减轻了在活体样本的3D荧光成像实验中经常观察到的光漂白和光毒性相关挑战。
这项研究是由加州大学洛杉矶分校加州纳米系统研究所(CNSI)的副主任、加州大学洛杉矶分校电气和计算机工程系的沃尔格瑙工程创新主席艾多根·奥兹坎教授领导的。其他作者包括毕业于加州大学洛杉矶分校电气和计算机工程系的学生黄鲁哲、陈汉龙、罗依林和Yair Rivenson教授。奥兹坎还在加州大学洛杉矶分校生物工程和外科学系任职，是HHMI大学的教授。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
