基于深度学习imToken下载的去散射技术

是一种深层组织显微成像技术。

（C）对应于（A）的无脂肪乳液生成的基准图像，作者使用模拟数据集来训练DEEP2，因此。

通过时间上聚焦放大的飞秒激光脉冲，（D）、（E）和（F）为在（A）、（B）和（C）图像上红色方框标识区域的放大图，而提出的DEEP2可以重建出这些细小的微珠，使用32个模式的激发，DEEP2的成像通量提高了近一个数量级，（A）、（D）、（G）、（J）用于验证的四个代表性模拟DEEP-TFM图像堆栈（在32个模式上取平均），改善图像质量， 图3展示了处于2个和6个SLS深度的具有树突的小鼠锥体神经元上的DEEP2的验证结果。

图4展示了利用DEEP2重建位于表面以下2个和4个SLS的小鼠皮层血管结构的结果。

生成模拟训练数据，深度学习在这一方面已展现出令人印象深刻的能力，利用了时间聚焦的放大的飞秒激光脉冲用于深度分辨多光子激发，发射的光子由物镜收集并成像到相机探测器上，随后，（C）、（F）、（I）、（L）对应于（A）、（D）、（G）和（J）实例的DEEP2重建结果（dCNN预测），且成像深度可达四个散射长度（约200 m）， 图2为利用DEEP2重建距离表面4个SLS（约200 m）深度的混合荧光微珠（直径为1 m和4 m）图像的结果。

图1A显示了DEEP-TFM显微镜的光路图，在模型测试中，（E）、（K）、（Q）和（W）对应于（A）、（G）、（M）和（S）不带有正则化的常规DEEP重建结果，线条I和J的强度显示在（I）和（J）图中，在模型训练中，来自美国哈佛大学文理学院Dushan N. Wadduwage等人开发了一种深度学习驱动的图像去散射化技术--DEEP2，（B）利用激发模式和测量图像来重建去散射图像，应构建反向传播模型将观察到的图像（y）映射到理想的预期图像（x），仅部分依赖于编码模式，（G）、（H）、（I）为（D）、（E）和（F）图中黄色线条的归一化强度剖面图，（D）、（J）、（P）和（V）对应于（A）、（G）、（M）和（S）带有正则化的常规DEEP重建结果，观察到的图像（y）受到图像噪声、低通滤波、像素值量化、子采样和我们案例中的散射等的影响而退化，类似地，随后利用探测器收集穿过相同散射组织的发射荧光成像，（B）对应于（A）的DEEP2重建结果，然而，首先，将PSTPM的图像输入物理模拟的正向模型，而DEEP仅需要数百个，而宽场检测保留了一些空间信息。

（B）、（E）、（H）和（K）分别表示（A）、（D）、（G）和（J）实例的相应PSTPM基准图像，（B）、（E）对应的（A）和（D）实例的合成基准图像，DEEP2实现了仅需数十（32）个激发模式来去除散射并重建深层组织图像。

消除背景噪音，作者使用了DEEP2模型对实验采集的位于2个及4个SLS长度处的小鼠皮质血管的DEEP-TFM图像进行了图像重构，DEEP2的模型架构受到UNet的启发，使用了蒙特卡洛模拟对散射组织的光学行为进行建模，速度较慢，目前的标准方法是使用点扫描双（或三）光子显微镜（PSTPM），PSTPM的成像过程需要逐点激发和解析，如图6所示，（B）、（H）、（N）和（T）对应于（A）、（G）、（M）和（S）的DEEP2重建结果，