作为生物研究领域中不可缺少的重要工具，荧光显微镜具有高对比度、高分辨率、蛋白分子特异性成像的特点，使生物特定结构和功能的研究得以实现。
随着荧光显微镜技术的不断发展，它们的成像性能变得更加优越，能够快速地获取更多更高分辨率的图像，有时候只需点击一个“开始”的按键，就能采集GB级别，甚至TB级别的图像数据。与此同时，研究人员发现自己面临着一个新的挑战——他们没有足够的时间去处理他们所拥有的数据。
2020年6月，浙江大学和美国国立卫生研究院（NIH）联合在Nature Biotechnology在线发表题为Rapid image deconvolution and multiview fusion for optical microscopy的研究论文，提出了荧光显微镜图像去卷积和多视角图像融合的新技术，使荧光显微镜图像后处理的效率提高了数十甚至上千倍。
对于这些新型的显微镜，比如反射式diSPIM和反射式格栏光片显微镜（latticelight-sheet） 等具有空间变化的点扩展函数，虽然维纳-巴特沃斯反投影算子能够获得10-15倍的迭代加速，但是去卷积的时间仍然超过了图像采集时间。为了进一步加速图像复原，研究团队探索了深度学习网络的应用，并设计了一种基于3D全卷积结构的网络模型DenseDeconNet。
NIH的Hari Shroff博士组织协调了20多个研究单位共同参与上述优化算法的应用研究，对单细胞、秀丽隐杆线虫胚胎、斑马鱼胚胎、小鼠组织等尺寸由微米级至毫米级的大量数据进行效果验证，涉及包括共聚焦显微镜、结构光照明显微镜、多视角光片显微镜、新型的双视角组织透明光片显微镜和格栏光片显微镜等七种不同类型的显微镜，实现了几十至上千倍的图像后处理加速。毫无疑问，这些优化算法可以加速基于图像的生物观察，为现代新型荧光显微镜的研究提供了更多可能。团队的后续工作包括实现更快的大数据读取、存储、并行处理和三维可视化，以及构建更加有效、通用的去卷积人工神经网络。
文章来源： BioArt 论文原文可通过以下链接查看： https://www.xianjichina.com/special/detail_449863.html
相关文章阅读推荐：
