使用递归神经网络的3D荧光显微镜技术得到了提升滑翔伞
2022-07-29 03:39:48 百元机械网
使用递归神经网络的3D荧光显微镜技术得到了提升
荧光样品的快速3D显微成像在物理和生物医学领域中有许多应用。鉴于单个2D图像可提供的轴向范围有限，因此3D荧光成像通常需要使用密集的采样网格对样品进行费时的机械扫描。
除了缓慢而乏味之外，这种方法还对样品引入了额外的曝光，这可能是有毒的并造成有害的损害，例如光漂白中国机械网okmao.com。
通过设计新的递归神经网络，加州大学洛杉矶分校的研究人员展示了一种能够进行深度学习的体积显微镜框架，用于荧光样品的3D成像。
这种新方法仅需要获取样本的几张2D图像即可重建其3D图像，从而使荧光量成像所需的扫描次数减少了约30倍。
卷积递归神经网络是此3D荧光成像方法的核心，可直观地模拟人脑通过合并频繁出现的重要对象信息和特征，同时遗忘或忽略某些冗余信息来处理信息和存储内存。
使用这种递归神经网络方案，UCLA研究人员成功地将样本的多个2D图像中的空间特征融合在一起，以快速重建其3D荧光图像。
UCLA团队发表在《光：科学与应用》上，展示了使用荧光C. Elegans样品的体积成像框架的成功，该样品已广泛用作生物学和生物工程学中的模型生物。
与涉及密集扫描样品的标准广域体积成像相比，这种基于递归神经网络的图像重建方法显着减少了所需图像扫描的次数，这也降低了样品上的总曝光量。
这些进步为观察3D标本提供了更高的成像速度，同时还减轻了在活样品的3D荧光成像实验中经常观察到的与光漂白和光毒性相关的挑战。
这项研究由UCLA加州纳米系统研究所（CNSI）的副主任Aydogan Ozcan教授以及UCLA电气和计算机工程系的Volgenau工程创新系主任领导。
其他作者包括来自加州大学洛杉矶分校电气和计算机工程系的研究生黄璐哲，陈汉龙，罗以琳和Yair Rivenson教授。
Ozcan还是UCLA生物工程和外科系的教师，并且是HHMI教授。