【技術實現步驟摘要】
本專利技術涉及光學顯微成像，尤其是涉及一種基于深度學習的三光子高速成像系統。
技術介紹
1、光學顯微成像技術作為一種非侵入式觀測手段，被廣泛應用于生物組織的結構和功能成像，以及各種微觀結構的觀測之中。其與熒光標記技術結合得到的熒光顯微鏡，能夠實現特異性成像，已成為生命科學研究最有力的工具之一。
2、三光子顯微成像作為一種基于非線性激發效應的高分辨率熒光顯微技術，通常使用1300nm或更長波長的激光器發射三個同時吸收的光子來激發熒光染料，適用于神經科學和腫瘤學應用領域。與傳統的單光子或雙光子激光相比，三光子激光具備以下優勢：1)通過使用更長的波長可以減少光散射的影響，并增加了照明光束進入樣品的穿透深度；2)三光子顯微鏡的非線性特性將激發目標限制在更小的體積內，減少了失焦光，并最大限度地減少了生物樣品上的光漂白。上述優勢使其在散射組織深處的細胞水平上可視化體內和離體組織形態和生理學方面具有優勢和快速體積成像。
3、相對于雙光子成像，三光子顯微成像對單脈沖能量要求更高。而在現有硬件限制下，三光子激光器的脈沖重復頻率非常低，通常在1mhz左右，該硬件條件導致三光子成像在進行掃描時不能很好的兼顧成像速度和成像分辨率。截至目前關于三光子成像的應用，其成像速度大多在5-6hz的幀率，如此的成像條件存在以下弊端：1)成像速度過慢，導致其進行神經元結構成像時，必須進行更長時間的成像，這樣對一些時限性要求比較高、狀態不穩定的樣品很不友好，并且三光子的單脈沖能量較高，長時間的成像雖然不會產生明顯的免疫反應，但是或多或少會造成神
4、綜上所述，亟需設計一種高速的三光子成像系統，可在實現三光子顯微鏡的高速成像的同時維持相對較高的信噪比和空間分辨率。
技術實現思路
1、本專利技術的目的就是為了克服上述現有技術存在的缺陷而提供了一種基于深度學習的三光子高速成像系統，可實現三光子顯微鏡的高速成像的同時維持相對較高的信噪比和空間分辨率。
2、本專利技術的目的可以通過以下技術方案來實現：
3、本專利技術給出了一種基于深度學習的三光子高速成像系統，包括：
4、三光子圖像采集單元，用于獲得原始的三光子成像數據；
5、深度學習超分辨降噪網絡訓練單元，用于對構建的深度學習超分辨降噪網絡進行訓練；
6、深度學習圖像恢復單元，用于采用訓練好的深度學習超分辨降噪網絡對實際采集的三光子成像數據進行圖像恢復。
7、優選地，所述三光子圖像采集單元包括三光子顯微成像裝置和存儲裝置。
8、優選地，所述三光子顯微成像裝置通過調整激發功率、掃描頻率參數控制三光子成像的采樣率、信噪比及成像深度。
9、優選地，所述三光子成像數據為三光子結構成像數據、三光子鈣影像數據中的一種。
10、優選地，所述深度學習超分辨降噪網絡的訓練集獲取過程包括：
11、對原始的三光子成像數據進行降噪處理獲取訓練集的標簽數據；
12、對原始的三光子成像數據進行下采樣得到訓練集的輸入數據。
13、優選地，所述對原始的三光子成像數據進行降噪處理獲取訓練集的標簽數據，采用對三維結構成像數據或包含時間信號的三光子鈣影像數據逐幀進行二維處理，或采用三維網絡結構對三光子成像數據進行整體降噪和超分辨，獲取訓練集的標簽數據。
14、優選地，所述對原始的三光子成像數據進行降噪處理獲取訓練集的標簽數據，具體為：采用多幀平均法、空間自適應濾波法、頻域濾波法、基于擴散的濾波方法、統計學方法、基于深度學習的降噪方法中的一種或多種對原始的三光子成像數據進行降噪增強處理，獲取訓練集的標簽數據。
15、優選地，所述深度學習超分辨降噪網絡為生成對抗網絡。
16、優選地，所述生成對抗網絡的生成器采用包括但不限于編碼器-解碼器網絡unet和深度反向投影網絡dbpn；所述生成對抗網絡的鑒別器采用包括但不限于vgg16的分類網絡結構。
17、優選地，所述深度學習超分辨降噪網絡為級聯的基于深度學習模型的超分辨網絡和降噪網絡。
18、與現有技術相比，本專利技術具有以下有益效果：
19、本專利技術的基于深度學習的三光子成像系統，通過深度學習超分辨降噪網絡對低信噪比、低分辨率三光子圖像進行恢復，從而在實現三光子顯微鏡的高速成像的同時維持相對較高的信噪比和空間分辨率，提升了包括神經元鈣信號分析在內的神經科學的研究效率。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的三光子高速成像系統，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述三光子圖像采集單元包括三光子顯微成像裝置和存儲裝置。
3.根據權利要求2所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述三光子顯微成像裝置通過調整激發功率、掃描頻率參數控制三光子成像的采樣率、信噪比及成像深度。
4.根據權利要求1所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述三光子成像數據為三光子結構成像數據、三光子鈣影像數據中的一種。
5.根據權利要求4所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述深度學習超分辨降噪網絡的訓練集獲取過程包括：
6.根據權利要求5所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述對原始的三光子成像數據進行降噪處理獲取訓練集的標簽數據，采用對三維結構成像數據或包含時間信號的三光子鈣影像數據逐幀進行二維處理，或采用三維網絡結構對三光子成像數據進行整體降噪和超分辨，獲取訓練集的標簽數據。
7.根
8.根據權利要求1所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述深度學習超分辨降噪網絡為生成對抗網絡。
9.根據權利要求8所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述生成對抗網絡的生成器采用包括但不限于編碼器-解碼器網絡Unet和深度反向投影網絡DBPN；所述生成對抗網絡的鑒別器采用包括但不限于VGG16的分類網絡結構。
10.根據權利要求1所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述深度學習超分辨降噪網絡為級聯的基于深度學習模型的超分辨網絡和降噪網絡。
...【技術特征摘要】
1.一種基于深度學習的三光子高速成像系統，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述三光子圖像采集單元包括三光子顯微成像裝置和存儲裝置。
3.根據權利要求2所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述三光子顯微成像裝置通過調整激發功率、掃描頻率參數控制三光子成像的采樣率、信噪比及成像深度。
4.根據權利要求1所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述三光子成像數據為三光子結構成像數據、三光子鈣影像數據中的一種。
5.根據權利要求4所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述深度學習超分辨降噪網絡的訓練集獲取過程包括：
6.根據權利要求5所述的一種基于深度學習的三光子高速成像系統，其特征在于，所述對原始的三光子成像數據進行降噪處理獲取訓練集的標簽數據，采用對三維結構成像數據或包含時間信號的三光子鈣影像數據逐幀進行二維處理，或采用三維網絡結構對三光子成...
【專利技術屬性】
技術研發人員：董必勤，李博，孔慈航，戴月昊，趙耀光，
申請(專利權)人：復旦大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。