對顯微樣品進行成像需要捕捉多個連續測量結果,然後使用計算演算法重建單一高解析度影像。當樣品靜止時,這個過程可以很好地工作,但如果樣品在移動(這對於活體生物標本來說很常見),最終圖像可能會模糊或扭曲。
現在,伯克利研究人員開發了一種方法來提高這些動態樣本的時間解析度。在一項研究中發表於自然方法,他們展示了一種新的計算成像工具,稱為神經時空模型(NSTM),它使用小型、輕量級的神經網路減少運動偽影並求解運動軌跡。
「對動態樣本進行成像的挑戰在於重建演算法假設靜態場景,」該研究的主要作者、博士瑞明曹說。生物工程專業的學生。
「NSTM 透過對每個時間點的運動進行建模和重建,將這些計算方法擴展到動態場景。這減少了運動動力學造成的偽影,使我們能夠看到樣本中那些超快節奏的變化。 」
研究人員表示,NSTM 可以與現有系統集成,無需額外的昂貴硬體。而且它非常有效。「NSTM 已被證明可以在時間解析度」曹說。
該開源工具還使重建過程能夠以更精細的方式運行時間尺度。例如,計算成像重建過程可以涉及捕捉大約10或20個影像以重建單一超解析度影像。
但使用神經網絡,NSTM 可以模擬物體在這 10 或 20 張影像中如何變化,使科學家能夠在一張影像的時間尺度上重建超解析度影像,而不是每 10 或 20 張影像。
該研究的首席研究員、電機工程和計算機科學教授勞拉·沃勒(Laura Waller) 表示:「基本上,我們使用神經網路對樣本的動態進行及時建模,以便我們能夠在更快的時間尺度上進行重建。“這非常強大,因為您可以將時間尺度提高 10 倍或更多,具體取決於您最初使用的圖像數量。”
NSTM 用途機器學習但不需要預訓練或資料先驗。這簡化了設定並防止透過訓練資料引入潛在的偏差。該模型使用的唯一數據是它捕獲的實際測量值。
在這項研究中,NSTM 在三種不同的顯微鏡和攝影應用中顯示出了有希望的結果:微分相差顯微鏡、3D 結構照明顯微鏡和滾動快門漫射相機。
但是,根據沃勒的說法,“這些實際上只是冰山一角。”NSTM 可用於增強任何多鏡頭計算成像方法,擴大其科學應用範圍,特別是在生物科學領域。
「這只是一個模型,所以你可以將它應用於任何動態場景的計算逆問題。它可以用於斷層掃描,如 CT 掃描、MRI 或其他超解析度方法,」她說。“掃描顯微鏡方法也可能受益於 NSTM。”
研究人員預計 NSTM 有朝一日會整合到商用成像系統中,就像軟體升級一樣。同時,曹和其他人將致力於進一步完善該工具。
「我們只是試圖突破看到這些非常快的動態的極限,」他說。
更多資訊:Ruiming Cao 等人,動態多鏡頭成像的神經空間-時間模型,自然方法(2024)。DOI:10.1038/s41592-024-02417-0
引文:提高顯微成像的清晰度:新工具可消除運動偽影(2024 年,10 月 1 日)檢索日期:2024 年 10 月 1 日來自 https://techxplore.com/news/2024-10-clarity-microscope-imaging-tool-motion.html
本文檔受版權保護。除了出於私人學習或研究目的的任何公平交易外,不得未經書面許可,不得複製部分內容。所提供的內容僅供參考。