CN110243828A - 基于卷积神经网络的生物组织三维成像方法 - Google Patents
基于卷积神经网络的生物组织三维成像方法 Download PDFInfo
- Publication number
- CN110243828A CN110243828A CN201910649691.0A CN201910649691A CN110243828A CN 110243828 A CN110243828 A CN 110243828A CN 201910649691 A CN201910649691 A CN 201910649691A CN 110243828 A CN110243828 A CN 110243828A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- layer
- shallow
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Abstract
本发明提供了一种基于卷积神经网络的生物组织三维成像方法,通过使用普通的宽场显微镜配合物理切削,获取生物组织的浅层宽场图像,然后利用卷积神经网络将宽场图像转化为清晰的光学层析图像,通过逐层获取生物组织浅层的光学层析图像,最终获得清晰的生物组织三维成像。这种方法不涉及精密的硬件设备和复杂的光路,更加实用和稳定。同时由于宽场拍摄模式具有高通量的特性,因此成像速度更快。
Description
技术领域
本发明涉及三维显微成像方法,尤其是涉及一种基于卷积神经网络的生物组织三维成像方法。
背景技术
获取生物组织的三维精细结构对于理解生物体的解剖结构和生理功能有着重要意义。对于几个厘米大小甚至更大尺寸的生物样本,目前主流的成像方式是利用具有光学层析能力的显微镜并配合物理切削(Hui Gong,et al.Nature Communications,2016,7:12142)。然而具有光学层析能力的显微镜大都需要精心设计的光路和昂贵的硬件设备来实现,不仅调试困难并且耗费大量人力物力。因此设计一种实用并且可靠的生物样本三维成像方法很有必要。
发明内容
本发明为了克服上述技术不足,提出了一种基于卷积神经网络的生物组织三维成像方法,通过使用普通的宽场照明显微镜配合物理切削,获取生物组织浅层的宽场图像,然后利用卷积神经网络将宽场图像转化为清晰的光学层析图像,通过逐层获取生物组织浅层的光学层析图像,最终获得清晰的生物组织三维成像。这种方法不涉及精密的硬件设备和复杂的光路,更加实用和稳定。同时由于宽场拍摄模式具有高通量的特性,因此成像速度更快。
本发明提供的一种基于卷积神经网络的生物组织三维成像方法,具体包括如下步骤:
S1训练卷积神经网络:搭建端到端的卷积神经网络,利用宽场照明显微镜和具有光学层析能力的显微镜对同一样本进行成像,对该样本获得像素一一对齐的宽场图像和光学层析图像,将所述宽场图像和光学层析图像进行拆分,以形成多个宽场图像与光学层析图像的像素一一对应的图像对,然后用拆分后一一对应的图像对训练所述卷积神经网络,以获得训练完成的卷积神经网络;
S2样本处理:将待进行成像的生物组织经过包埋处理后形成生物样本进行固定;
S3获取浅层的光学层析图像:采用所述步骤S1中的宽场照明显微镜对所述生物样本的浅层进行成像以获得所述浅层的宽场图像,将所述浅层的宽场图像按照所述步骤S1中的宽场图像的尺寸进行拆分后,输入所述步骤S1中训练完成的卷积神经网络中,最终输出同等数量的等同尺寸的光学层析图像,将本次输出的光学层析图像进行拼接以获得所述浅层的光学层析图像;
S4获取整个生物样本的光学层析图像:判断是否获得整个生物样本的光学层析图像,未全部获得则将所述已获得光学层析图像的浅层切除以露出新的浅层后重复步骤S3,已全部获得则结束。
进一步的,所述浅层的厚度为1-10um;
进一步的,所述步骤S1中的卷积神经网络的结构为U型网络:网络分为编码器部分和解码器部分,编码器由四个步长为2的卷积层构成,解码器由与所述编码器对称的四个步长为2的反卷积层构成,且在每个编码器和解码器之间有跳跃连接,以使图像先经过编码器被降采样16倍,再经过解码器升采样16倍,最终恢复到原来的尺寸。
进一步的,所述步骤S1中的卷积神经网络的结构为全卷积网络:网络由10层不补零的卷积层直接堆叠而成,卷积核为3x3。
进一步的,所述步骤S1中的卷积神经网络的结构为残差网络:网络由8个残差块组成,残差块中包含2个补零的卷积层,卷积核为3x3,残差块的输入和输出之间有残差连接。
进一步的,对所述生物样本的浅层进行成像采用的是马赛克拼接成像方式。
进一步的,所述马赛克拼接成像方式具体为:当一个视场成像完成后,顺序移动到相邻视场完成下一个视场的成像,直至完成整个浅层的成像,相邻的两个视场之间留有冗余。
进一步的,所述步骤S1中的样本与所述步骤S2-S4中的样本为相同或不同的样本。
附图说明
图1是一种基于卷积神经网络的生物组织三维成像方法的流程图。
图2是生物样本浅层的宽场成像模式图。
图3为使用本发明方法获取的鼠脑样本最大冠状面的成像结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例以树脂包埋的转基因标记Thy1-GFP M-line小鼠鼠脑样本作为研究对象来对本发明提供的一种基于卷积神经网络的生物组织三维成像方法进行验证,如图1所示,具体包括:
S1训练卷积神经网络:首先搭建端到端的U型卷积神经网络,分为编码器部分和解码器部分,编码器由四个步长为2的卷积层构成,解码器由与所述编码器对称的四个步长为2的反卷积层构成,且在每个编码器和解码器之间有跳跃连接,以使图像先经过编码器被降采样16倍,再经过解码器升采样16倍,最终恢复到原来的尺寸。所述U型卷积神经网络的输入图像尺寸为256x256像素,输出图像尺寸为256x256像素。
采用宽场照明显微镜对转基因标记Thy1-GFP M-line小鼠鼠脑样本的浅层进行宽场成像,成像方式为马赛克式,浅层厚度为2um。如图2所示,当一个视场的宽场成像结束后,顺序移动至相邻视场进行下一个视场的宽场成像,以获得该样本浅层的全部宽场图像。为了保证数据的完整性,两个视场之间留有一定的冗余。
采用结构光显微镜对上述宽场照明显微镜成像的浅层进行光学层析成像,以获得上述浅层的全部光学层析图像。所述结构光显微镜是一种具有光学层析能力的显微镜,也可采用共聚焦显微镜、双光子显微镜等具有光学层析能力的显微镜。
将宽场照明显微镜和结构光显微镜拍摄到的图像配准到同一平面,像素一一对齐,将所述宽场图像和光学层析图像拆分为256x256像素,形成多个像素一一对应的宽场图像与光学层析图像的训练图像对,将所有训练图像对顺序打乱,整合成训练数据集。
利用所述训练数据集对U型卷积神经网络进行训练,直至卷积神经网络收敛,获得训练完成的卷积神经网络。
S2样本处理:将待进行成像的生物组织经过包埋处理后形成生物样本进行固定;本实施例直接对上述已进行树脂包埋的转基因标记Thy1-GFP M-line小鼠鼠脑样本进行成像,故此处不再重复处理样本。若此处要成像的样本与上一步骤中成像的样本不同时,需要对新的样本进行光透明处理。
S3获取浅层的光学层析图像:采用所述步骤S1中的宽场照明显微镜对所述鼠脑样本的浅层进行成像以获得所述浅层的宽场图像,所述宽场图像的大小为2048x2048像素,将其拆分为256x256像素,可获得64张图像,将这64张256x256像素的图像作为输入图像,输入至所述步骤S1中训练完成的卷积神经网络中,可获得64张256x256像素的输出图像,将输出图像按顺序拼接即获得所述浅层的2048x2048像素的光学层析图像,获取整个浅层的光学层析图像的过程耗时0.28s。
S4获取整个生物样本的光学层析图像:判断是否获得整个鼠脑样本的光学层析图像,若不是,采用刀具切除已获取光学层析图像的浅层,切片厚度为2um,重复步骤S3,获取新浅层的光学层析图像;若已全部获得,则结束。所述刀具可为金刚石或碳化钨等合金刀具。
将所有浅层的光学层析图像顺序拼接,获得整个鼠脑样本的三维成像。
对上述基于卷积神经网络的生物三维成像方法进行验证,结果如图3所示。其中,展示的是鼠脑最大冠状面的浅层成像结果,上面一列为标记的神经元信息,下面一列为细胞构筑信息,其中WF表示宽场图像,SIM表示结构光显微镜拍摄的光学层析图像,CNN表示通过卷积神经网络输出的图像。可以看到样本浅层的宽场图像非常模糊,因为它携带了大量背景荧光的干扰信息,而利用卷积神经网络输出的光学层析图像可以达到和真实结构光显微镜拍摄图像一样的清晰效果。采用归一化均方根误差、结构相似性指标和二维相关性来定量评价输出图像的质量,其结果分别为0.0173,0.9203,0.9333。说明输出的结果和真实结构光显微镜拍摄的图像基本一致。
使用卷积神经网络进行图像处理的优势在于:1、基于软件层面实现,可以不依赖于精密的硬件设备和精心设计的光路,因此更加实用和稳定;2、能够加速三维样本的图像获取过程,因为结构光显微镜需要对样本同一位置拍摄三张带有正弦条纹调制的图像才能输出光学层析图像,使用卷积神经网络后,只需要拍摄一张宽场图像就能够进行实时转化输出光学层析图像,相当于将图像获取过程缩短了2倍。
实施例2
作为另一个实施例,本次将实施例1中所述步骤S1中搭建的卷积神经网络结构设计为全卷积神经网络。网络由10层不补零的卷积层直接堆叠而成,卷积核为3x3。网络的输入图像尺寸为21x21像素,经过每一层卷积层后,图像的尺寸在高和宽方向都会减少2像素,因此输出图像的尺寸为1x1像素。相应地步骤S3中获取光学层析图像的步骤需要改为:对于拍摄到大小为2048x2048像素的宽场图像,按照21x21像素的尺寸进行图像拆分,可以获得(2048-21+1)x(2048-21+1)张图像。将这些图像输入至已训练好的卷积神经网络,最后将卷积神经网络输出的所有图像按顺序拼接,可以获得对应的2048x2048像素的光学层析图像,获取整个浅层的光学层析图像的过程耗时10.64s。
其他步骤与实施例1完全相同,采用归一化均方根误差、结构相似性指标和二维相关性来定量评价输出图像的质量,其结果分别为0.0178,0.9258,0.9134。这说明输出的结果和真实显微镜拍摄的图像基本一致。
实施例3
作为另一个实施例,本次将实施例1中所述步骤S1中搭建的卷积神经网络结构设计为残差卷积神经网络。网络由8个残差块组成。残差块中包含2个补零的卷积层,卷积核为3x3,残差块的输入和输出之间有残差连接。网络的输入图像尺寸为64x64,由于使用补零的卷积层,网络输入和输出的尺寸一致,因此输出图像的尺寸为64x64。相应地步骤S3中获取浅层的光学层析图像的步骤需要改为:对于拍摄到大小为2048x2048像素的宽场图像,将其按照64x64像素进行图像拆分,可以获得(2048/64)x(2048/64)张图像。将这些图像输入至步骤S1中已训练好的卷积神经网络,最后将卷积神经网络输出的所有图像按顺序拼接,可以获得对应的2048x2048像素的光学层析图像,获取整个浅层的光学层析图像的过程耗时1.21s。
其他步骤与实施例1完全相同,采用归一化均方根误差、结构相似性指标和二维相关性来定量评价输出图像的质量,其结果分别为0.0164,0.9322,0.9273。这说明输出的结果和真实显微镜拍摄的图像基本一致。
以上结果显示,使用不同的卷积神经网络结构对于输出光学层析图像的结果没有什么影响,只是在时间上有差异。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (8)
1.一种基于卷积神经网络的生物组织三维成像方法,其特征在于,包括如下步骤:
S1训练卷积神经网络:搭建端到端的卷积神经网络,利用宽场照明显微镜和具有光学层析能力的显微镜对同一样本进行成像,对该样本获得像素一一对齐的宽场图像和光学层析图像,将所述宽场图像和光学层析图像进行拆分,以形成多个宽场图像与光学层析图像的像素一一对应的图像对,然后用拆分后一一对应的图像对训练所述卷积神经网络,以获得训练完成的卷积神经网络;
S2样本处理:将待进行成像的生物组织经过包埋处理后形成生物样本进行固定;
S3获取浅层的光学层析图像:采用所述步骤S1中的宽场照明显微镜对所述生物样本的浅层进行成像以获得所述浅层的宽场图像,将所述浅层的宽场图像按照所述步骤S1中的宽场图像的尺寸进行拆分后,输入所述步骤S1中训练完成的卷积神经网络中,最终输出同等数量的等同尺寸的光学层析图像,将本次输出的光学层析图像进行拼接以获得所述浅层的光学层析图像;
S4获取整个生物样本的光学层析图像:判断是否获得整个生物样本的光学层析图像,未全部获得则将所述已获得光学层析图像的浅层切除以露出新的浅层后重复步骤S3,已全部获得则结束。
2.根据权利要求1所述的基于卷积神经网络的生物组织三维成像方法,其特征在于,所述浅层的厚度为1-10um。
3.根据权利要求1所述的基于卷积神经网络的生物组织三维成像方法,其特征在于,所述步骤S1中的卷积神经网络的结构为U型网络:网络分为编码器部分和解码器部分,编码器由四个步长为2的卷积层构成,解码器由与所述编码器对称的四个步长为2的反卷积层构成,且在每个编码器和解码器之间有跳跃连接,以使图像先经过编码器被降采样16倍,再经过解码器升采样16倍,最终恢复到原来的尺寸。
4.根据权利要求1所述的基于卷积神经网络的生物组织三维成像方法,其特征在于,所述步骤S1中的卷积神经网络的结构为全卷积网络:网络由10层不补零的卷积层直接堆叠而成,卷积核为3x3。
5.根据权利要求1所述的基于卷积神经网络的生物组织三维成像方法,其特征在于,所述步骤S1中的卷积神经网络的结构为残差网络:网络由8个残差块组成,残差块中包含2个补零的卷积层,卷积核为3x3,残差块的输入和输出之间有残差连接。
6.根据权利要求1-5任一项所述的基于卷积神经网络的生物组织三维成像方法,其特征在于,对所述生物样本的浅层进行成像采用的是马赛克拼接成像方式。
7.根据权利要求6所述的基于卷积神经网络的生物组织三维成像方法,其特征在于,所述马赛克拼接成像方式具体为:当一个视场成像完成后,顺序移动到相邻视场完成下一个视场的成像,直至完成整个浅层的成像,相邻的两个视场之间留有冗余。
8.根据权利要求1-5任一项所述的基于卷积神经网络的生物组织三维成像方法,其特征在于,所述步骤S1中的样本与所述步骤S2-S4中的样本为相同或不同的样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910649691.0A CN110243828B (zh) | 2019-07-18 | 2019-07-18 | 基于卷积神经网络的生物组织三维成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910649691.0A CN110243828B (zh) | 2019-07-18 | 2019-07-18 | 基于卷积神经网络的生物组织三维成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110243828A true CN110243828A (zh) | 2019-09-17 |
CN110243828B CN110243828B (zh) | 2021-07-30 |
Family
ID=67892682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910649691.0A Active CN110243828B (zh) | 2019-07-18 | 2019-07-18 | 基于卷积神经网络的生物组织三维成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110243828B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947565A (zh) * | 2021-09-03 | 2022-01-18 | 中国科学院西安光学精密机械研究所 | 基于深度学习的结构光照明超分辨成像基因检测方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102781335A (zh) * | 2010-02-02 | 2012-11-14 | 普兰梅卡有限公司 | 牙科计算机断层摄影设备 |
CN103971410A (zh) * | 2014-05-23 | 2014-08-06 | 中国石油大学(华东) | 一种基于ct图片的三维岩心可视化方法 |
CN104463241A (zh) * | 2014-10-31 | 2015-03-25 | 北京理工大学 | 一种智能交通监控系统中的车辆类型识别方法 |
CN105138993A (zh) * | 2015-08-31 | 2015-12-09 | 小米科技有限责任公司 | 建立人脸识别模型的方法及装置 |
CN105628951A (zh) * | 2015-12-31 | 2016-06-01 | 北京小孔科技有限公司 | 用于测量对象的速度的方法和装置 |
CN106023291A (zh) * | 2016-05-12 | 2016-10-12 | 华中科技大学 | 快速获取大样本三维结构信息和分子表型信息的成像装置和方法 |
CN106846463A (zh) * | 2017-01-13 | 2017-06-13 | 清华大学 | 基于深度学习神经网络的显微图像三维重建方法及系统 |
CN106866876A (zh) * | 2017-03-31 | 2017-06-20 | 华中科技大学 | 一种光透明化生物组织的包埋剂、包埋方法及应用 |
CN107145727A (zh) * | 2017-04-26 | 2017-09-08 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
CN109359514A (zh) * | 2018-08-30 | 2019-02-19 | 浙江工业大学 | 一种面向deskVR的手势跟踪识别联合策略方法 |
CN109461180A (zh) * | 2018-09-25 | 2019-03-12 | 北京理工大学 | 一种基于深度学习的三维场景重建方法 |
CN109711326A (zh) * | 2018-12-25 | 2019-05-03 | 云南大学 | 一种基于浅层残差网络的视频目标检测方法 |
CN109903255A (zh) * | 2019-03-04 | 2019-06-18 | 北京工业大学 | 一种基于3d卷积神经网络的高光谱图像超分辨率复原方法 |
US20190197401A1 (en) * | 2017-10-16 | 2019-06-27 | Illumina, Inc. | Aberrant Splicing Detection Using Convolutional Neural Networks (CNNs) |
US20190213451A1 (en) * | 2018-01-08 | 2019-07-11 | Visteon Global Technologies, Inc. | Map and environment based activation of neural networks for highly automated driving |
-
2019
- 2019-07-18 CN CN201910649691.0A patent/CN110243828B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102781335A (zh) * | 2010-02-02 | 2012-11-14 | 普兰梅卡有限公司 | 牙科计算机断层摄影设备 |
CN103971410A (zh) * | 2014-05-23 | 2014-08-06 | 中国石油大学(华东) | 一种基于ct图片的三维岩心可视化方法 |
CN104463241A (zh) * | 2014-10-31 | 2015-03-25 | 北京理工大学 | 一种智能交通监控系统中的车辆类型识别方法 |
CN105138993A (zh) * | 2015-08-31 | 2015-12-09 | 小米科技有限责任公司 | 建立人脸识别模型的方法及装置 |
CN105628951A (zh) * | 2015-12-31 | 2016-06-01 | 北京小孔科技有限公司 | 用于测量对象的速度的方法和装置 |
CN106023291A (zh) * | 2016-05-12 | 2016-10-12 | 华中科技大学 | 快速获取大样本三维结构信息和分子表型信息的成像装置和方法 |
CN106846463A (zh) * | 2017-01-13 | 2017-06-13 | 清华大学 | 基于深度学习神经网络的显微图像三维重建方法及系统 |
CN106866876A (zh) * | 2017-03-31 | 2017-06-20 | 华中科技大学 | 一种光透明化生物组织的包埋剂、包埋方法及应用 |
CN107145727A (zh) * | 2017-04-26 | 2017-09-08 | 中国人民解放军总医院 | 一种利用卷积神经网络的医学图像处理装置与方法 |
US20190197401A1 (en) * | 2017-10-16 | 2019-06-27 | Illumina, Inc. | Aberrant Splicing Detection Using Convolutional Neural Networks (CNNs) |
US20190213451A1 (en) * | 2018-01-08 | 2019-07-11 | Visteon Global Technologies, Inc. | Map and environment based activation of neural networks for highly automated driving |
CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
CN109359514A (zh) * | 2018-08-30 | 2019-02-19 | 浙江工业大学 | 一种面向deskVR的手势跟踪识别联合策略方法 |
CN109461180A (zh) * | 2018-09-25 | 2019-03-12 | 北京理工大学 | 一种基于深度学习的三维场景重建方法 |
CN109711326A (zh) * | 2018-12-25 | 2019-05-03 | 云南大学 | 一种基于浅层残差网络的视频目标检测方法 |
CN109903255A (zh) * | 2019-03-04 | 2019-06-18 | 北京工业大学 | 一种基于3d卷积神经网络的高光谱图像超分辨率复原方法 |
Non-Patent Citations (7)
Title |
---|
DEQUAN LI: "Phase diversity algorithm with high noise robust based on deep denoising convolutional neural network", 《OPTICS EXPRESS》 * |
HAO WU: "On-line optical clearing method for whole-brain imaging in mice", 《BIOMEDICAL OPTICAL EXPRESS》 * |
JOSH PATTERSON: "《DEEP LEARNING》", 28 February 2018 * |
JUNYOUNG PARK: "Computed tomography super-resolution using deep convolutional neural network", 《PHYSICS IN MEDICINE & BIOLOGY》 * |
XIAOYU ZHANG: "Deep learning optical-sectioning method", 《OPTICS EXPRESS》 * |
朱超平: "基于YOLO2和ResNet算法的监控视频中的人脸检测和识别", 《重庆理工大学学报》 * |
李奥雪: "基于卷积神经网络的多曝光图像融合方法研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113947565A (zh) * | 2021-09-03 | 2022-01-18 | 中国科学院西安光学精密机械研究所 | 基于深度学习的结构光照明超分辨成像基因检测方法 |
CN113947565B (zh) * | 2021-09-03 | 2023-04-18 | 中国科学院西安光学精密机械研究所 | 基于深度学习的结构光照明超分辨成像基因检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110243828B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | High-throughput, high-resolution deep learning microscopy based on registration-free generative adversarial network | |
Bashir et al. | A comprehensive review of deep learning-based single image super-resolution | |
JP2023093434A (ja) | 予測タグ付けを有する画像を生成するための画像処理のためのシステム、デバイス、および方法 | |
CN110262026B (zh) | 孔径扫描傅立叶重叠关联成像 | |
Natarajan et al. | Segmentation of nuclei in histopathology images using fully convolutional deep neural architecture | |
Fei et al. | Subvoxel light-sheet microscopy for high-resolution high-throughput volumetric imaging of large biomedical specimens | |
JP2022516467A (ja) | 深層学習を使用した表面への2次元蛍光波伝播システムと方法 | |
CN105378538A (zh) | 用于多频谱成像的自动聚焦方法和系统 | |
Dercksen et al. | The Filament Editor: an interactive software environment for visualization, proof-editing and analysis of 3D neuron morphology | |
US9031304B2 (en) | Image processing system | |
CN111429500B (zh) | 轴向扫描光场数据的重建与拼接方法及装置 | |
Lu et al. | Semi-automated reconstruction of neural processes from large numbers of fluorescence images | |
Piccinini et al. | Extended depth of focus in optical microscopy: Assessment of existing methods and a new proposal | |
Oberlaender et al. | Transmitted light brightfield mosaic microscopy<? xpp qa?> for three-dimensional tracing of single neuron<? xpp qa?> morphology | |
CN115578406B (zh) | 基于上下文融合机制的cbct颌骨区域分割方法及系统 | |
Du et al. | Computational framework for generating large panoramic super-resolution images from localization microscopy | |
Jang et al. | Computational reconstruction for three-dimensional imaging via a diffraction grating | |
CN110243828A (zh) | 基于卷积神经网络的生物组织三维成像方法 | |
Li et al. | Deep-3D microscope: 3D volumetric microscopy of thick scattering samples using a wide-field microscope and machine learning | |
Weaver et al. | The Farmer: A Reproducible Profile-fitting Photometry Package for Deep Galaxy Surveys | |
Shuvo et al. | Multi-focus image fusion for confocal microscopy using u-net regression map | |
CN110243827A (zh) | 一种适用于光透明样本的快速三维成像方法 | |
Kwan et al. | High resolution, programmable aperture light field laparoscope for quantitative depth mapping | |
Mata et al. | Zigzag persistent homology for processing neuronal images | |
CN115496657A (zh) | 低分辨率成像的病理切片数字化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |