基于深度学习的降噪模型将显微镜成像速度提高了16倍

为了帮助加速显微镜系统，来自德州大学奥斯汀分校的Salk研究所的研究人员开发了一种新的基于AI的显微镜成像方法，有望比使用于大脑成像的显微镜技术快16倍。

研究人员在bioRxiv上发表的论文《基于深度学习的点扫描超分辨率成像》中指出：“点扫描成像系统可能是用于高分辨率细胞和组织成像的最广泛使用的工具。它与所有其他成像方式一样，很难同时优化点扫描系统的分辨率、速度、样品保存和信噪比。

为了应对这一挑战，索尔克研究所（Salk Institute）的Uri Manor开始使用一种称为反卷积的图像处理技术。天文学家已使用该方法在恒星和行星的望远镜图像中获得更高的分辨率。

在收集到足够的数据以构建包含高分辨率和超分辨率图像的训练数据集之后，该团队使用基于ResNet的U-Net卷积神经网络对模型进行了训练。

研究人员在论文中解释说：  “为此目的训练模型，需要许多完美成对的高分辨率和低分辨率图像。我们选择手动生成高分辨率的图像，以模拟在显微镜下获取低分辨率图像对的低分辨率图像，而不是人工获取用于训练的高分辨率图像对和低分辨率图像对，以生成半合成的训练数据。

对模型进行训练后，团队将其系统进行了测试，并将其应用于在其他实验室中使用不同显微镜创建的图像。

Manor表示：“通常在深度学习中，您必须为不同的数据集重新训练和微调模型，但是我们很高兴我们的系统对于各种各样的样本和图像集都能如此出色地工作。”Manor和团队希望开发能够实时重建的软件，以便研究人员可以立即看到超分辨率的图像。

为了应对这一挑战，索尔克研究所（Salk Institute）的Uri Manor开始使用一种称为反卷积的图像处理技术。天文学家已使用该方法在恒星和行星的望远镜图像中获得更高的分辨率。

在收集到足够的数据以构建包含高分辨率和超分辨率图像的训练数据集之后，该团队使用基于ResNet的U-Net卷积神经网络对模型进行了训练。 

研究人员在论文中解释说：  “为此目的训练模型，需要许多完美成对的高分辨率和低分辨率图像。我们选择手动生成高分辨率的图像，以模拟在显微镜下获取低分辨率图像对的低分辨率图像，而不是人工获取用于训练的高分辨率图像对和低分辨率图像对，以生成半合成的训练数据。

对模型进行训练后，团队将其系统进行了测试，并将其应用于在其他实验室中使用不同显微镜创建的图像。

Manor表示：“通常在深度学习中，您必须为不同的数据集重新训练和微调模型，但是我们很高兴我们的系统对于各种各样的样本和图像集都能如此出色地工作。”Manor和团队希望开发能够实时重建的软件，以便研究人员可以立即看到超分辨率的图像。