作為生物研究領(lǐng)域中不可缺少的重要工具，熒光顯微鏡具有高對比度、高分辨率、蛋白分子特異性成像的特點，使生物特定結(jié)構(gòu)和功能的研究得以實現(xiàn)。

隨著熒光顯微鏡技術(shù)的不斷發(fā)展，它們的成像性能變得更加優(yōu)越，能夠快速地獲取更多更高分辨率的圖像，有時候只需點擊一個“開始”的按鍵，就能采集GB級別，甚至TB級別的圖像數(shù)據(jù)。與此同時，研究人員發(fā)現(xiàn)自己面臨著一個新的挑戰(zhàn)——他們沒有足夠的時間去處理他們所擁有的數(shù)據(jù)。

2020年6月，浙江大學和美國國立衛(wèi)生研究院（NIH）聯(lián)合在Nature Biotechnology在線發(fā)表題為Rapid image deconvolution and multiview fusion for optical microscopy的研究論文，提出了熒光顯微鏡圖像去卷積和多視角圖像融合的新技術(shù)，使熒光顯微鏡圖像后處理的效率提高了數(shù)十甚至上千倍。

對于這些新型的顯微鏡，比如反射式diSPIM和反射式格欄光片顯微鏡（latticelight-sheet） 等具有空間變化的點擴展函數(shù)，雖然維納-巴特沃斯反投影算子能夠獲得10-15倍的迭代加速，但是去卷積的時間仍然超過了圖像采集時間。為了進一步加速圖像復原，研究團隊探索了深度學習網(wǎng)絡(luò)的應用，并設(shè)計了一種基于3D全卷積結(jié)構(gòu)的網(wǎng)絡(luò)模型DenseDeconNet。

NIH的Hari Shroff博士組織協(xié)調(diào)了20多個研究單位共同參與上述優(yōu)化算法的應用研究，對單細胞、秀麗隱桿線蟲胚胎、斑馬魚胚胎、小鼠組織等尺寸由微米級至毫米級的大量數(shù)據(jù)進行效果驗證，涉及包括共聚焦顯微鏡、結(jié)構(gòu)光照明顯微鏡、多視角光片顯微鏡、新型的雙視角組織透明光片顯微鏡和格欄光片顯微鏡等七種不同類型的顯微鏡，實現(xiàn)了幾十至上千倍的圖像后處理加速。毫無疑問，這些優(yōu)化算法可以加速基于圖像的生物觀察，為現(xiàn)代新型熒光顯微鏡的研究提供了更多可能。團隊的后續(xù)工作包括實現(xiàn)更快的大數(shù)據(jù)讀取、存儲、并行處理和三維可視化，以及構(gòu)建更加有效、通用的去卷積人工神經(jīng)網(wǎng)絡(luò)。

文章來源： BioArt 論文原文可通過以下鏈接查看： https://www.xianjichina.com/special/detail_449863.html