深度学习赋能的结构光照明超分辨显微技术：原理与应用
摘要
结构光照明显微成像（SIM）技术是一种在超分辨显微成像领域极具代表性的技术。尽管结构光照明能够提升空间分辨率，但其在实现超分辨过程中需要采集多幅图像，而且，诸如样本厚度不一、结构光平移的系统误差及环境噪声等因素均可能会对SIM成像质量产生影响。为解决这些问题，神经网络技术被引入SIM图像处理中。目前，常用的算法模型有卷积神经网络（CNN）及其变体以及生成对抗网络（GAN），它们通过训练样本来分析和纠正上述系统误差，提高时间分辨率，实现快速超分辨成像。据查，目前尚未有文章对于基于深度学习算法的结构光照明显微技术进行综合分析。鉴于此，本文介绍了SIM的基础原理并分析了深度学习算法近年来在提高SIM系统性能方面的应用，并对SIM技术未来的发展方向和面临的挑战进行了前瞻性探讨。
引用本文（GB/T 7714）
黎昕然 Li Xinran, 陈嘉杰 Chen Jiajie, 王美婷 Wang Meiting, 等. 深度学习赋能的结构光照明超分辨显微技术：原理与应用[J]. Chinese Journal of Lasers, 2024.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。