基于递归神经网络耦合的SPAD TCSPC系统用于实时荧光寿命成像

Jun, 2023

基于递归神经网络耦合的SPAD TCSPC系统用于实时荧光寿命成像

Recurrent Neural Network-coupled SPAD TCSPC System for Real-time Fluorescence Lifetime Imaging

Yang Lin, Paul Mos, Andrei Ardelean, Claudio Bruschini, Edoardo Charbon

TL;DR本文提出了一种基于SPAD TCSPC 系统及循环神经网络（RNN）的荧光寿命成像系统，该系统能够直接从原始时间戳中准确地估计荧光寿命，无需直方图，大大降低了数据传输速率和硬件资源利用率，比现有方法更准确且在噪声环境下有更好的表现，是生物医学等领域获得实时荧光寿命图像的有前景的方法之一。

Abstract

fluorescence lifetime imaging (FLI) has been receiving increased attention in recent years as a powerful imaging technique in biological and medical research. However, existing FLI systems often suffer from a tradeoff between processing speed, accuracy, and robustness. In this paper, w

发现论文，激发创造

傅里叶全息显微镜的数据驱动设计

使用物理学基础的神经网络通过优化LED发光模式设计来实现超分辨成像，进而压缩原先需要的多次测量，减少时间和成本。

Apr, 2019

使用即插即用去噪器的基于波动的荧光显微镜反卷积

采用插入式噪声去噪方法，代替现有的图像正则化器，并结合二阶统计量来训练卷积图像去噪网络，从而更适应于样本几何结构，在真实荧光显微图像数据上验证出能够正确地重建纤维结构，具有高峰值信噪比。

Mar, 2023

条件归一化流的快速光场三维显微镜，具有分布外检测和自适应能力

本文提出了一种基于条件归一化流的新架构，可实现快速三维立体重建，对于实时三维采集和潜在分析非常适用，并能够实现精确的似然度计算，从而进行分布监测、基于样本检测的重训练。

Jun, 2023

频率-时间扩散与神经元细胞自动机

通过引入FourierDiff-NCA来解决当前NCA架构的瓶颈，将扩散过程从傅里叶域开始并在图像空间中完成，进而加速全局通信。

Jan, 2024

基于深度学习的高光谱图像纠正与分光技术在脑肿瘤手术中的应用

应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像(HSI)技术，结果表明深度学习模型能够更准确地估算荧光素(PpIX)的浓度，进一步改善脑肿瘤切除手术的效果。

Feb, 2024

基于神经网络的受损生物光学图像数据处理与重建

深度学习技术与生物光子学装置的整合在生物成像领域开辟了新的前景，并通过在大量理想、优越或备选数据上训练的深度学习模型来补偿意图妥协于某些测量指标，以在成本、速度和形态上打造更好的生物成像工具，进而提高生物光子成像的各个方面。本文深入回顾了研究人员在生物光子学装置中故意损害的多种测量方面，包括点扩散函数、信噪比、采样密度和像素分辨率。通过故意妥协这些指标，研究人员旨在不仅通过应用深度学习网络恢复它们，而且还能增强其他关键参数，如视场、景深和空间带宽产品。在这里，我们讨论了成功采用这一策略的各种生物光子学方法。这些技术涵盖广泛的应用领域，并展示了深度学习在受损生物光子数据的背景下的多样性和有效性。最后，通过对这一快速发展概念的未来可能性提供我们的观点，我们希望激发读者探索在硬件妥协与通过人工智能进行补偿之间平衡的新方法。

Mar, 2024

荧光寿命图像的单样本图像融合上采样

通过数据融合方法，利用低分辨率时间分辨探测器和高分辨率相机的测量结果，解决FLIM超分辨率成像技术在高采集速度下的图像分辨率瓶颈，并引入统计信息先验来解决逆问题，从而提供比传统线性插值更清晰的图像。该方法还适用于其他存在两个不同数据集的图像超分辨率问题。

Apr, 2024

基于块状编码器-解码器结构的自动透射光到荧光成像的转换：对LightMyCells挑战的贡献

自动预测无标记透射光输入图像中的荧光标记细胞器是一项重要且困难的任务，本研究介绍了AGHSSO团队基于经过精心准备和训练的编码-解码深度神经网络在LightMyCells挑战中所取得的相当高得分，位居最佳表现团队之一。

Jun, 2024

SparseSSP: 从稀疏视角传递光图像预测三维亚细胞结构

传统的荧光染色对活细胞具有光毒性，操作速度慢且昂贵；因此，从透射光图像中预测细胞亚结构成为一种无标记、更快速、低成本的替代方法。本文提出了一种高效的框架SparseSSP，通过对目标体素网格内的荧光强度进行预测，在效率上取得了突破，而非完全依赖于3D拓扑结构。SparseSSP引入了一对多体素映射的范式，允许稀疏的透射光切片重建细胞亚结构。其次，我们提出了一种混合维度拓扑结构，将Z轴信息折叠进通道特征中，使得2D网络层能够以较低的计算成本解决SSP问题。通过广泛的实验验证SparseSSP在不同的稀疏成像比率下的有效性和优势，与纯3D拓扑相比，该方法取得了领先的性能。SparseSSP减少了之前密集观察的成像频率（即最多减少87.5%的成像次数），这在低成本设备和样本上可视化快速生物动态具有重要意义。

Jul, 2024

深度联合去噪与检测以增强细胞内颗粒分析

本研究针对时间延续荧光显微镜图像中的细小颗粒检测这一关键问题，提出了一种新的深度神经网络模型DENODET，该模型同时进行图像去噪和颗粒检测。研究结果表明，集成去噪与检测的方法显著提高了检测精度，优于当前最先进的粒子检测方法。

Aug, 2024