基于亚体素卷积神经网络的超高分辨荧光显微成像方法技术

本发明专利技术提供一种基于亚体素卷积神经网络的超高分辨荧光显微成像方法，基于结合了多分支结构和残差学习的端到端三维亚体素卷积神经网络构建并训练得到超高分辨三维光学显微成像模型，通过该成像模型将原始光学低分辨率图像映射到三维超高分辨荧光探针的定位图像上，从而应用于三维超高分辨荧光显微成像。相较于现有的显微成像技术，该基于亚体素卷积神经网络的超高分辨荧光显微成像方法显著改善了超高分辨荧光显微成像的轴向分辨率，并且降低了三维荧光显微超分辨重建的计算复杂度。而且经网络训练成功得到的超高分辨三维光学显微成像模型即不需要额外的人工参数调节，也不需要额外的人工干预，适用于快速、灵活、三维超高分辨荧光显微成像。高分辨荧光显微成像。高分辨荧光显微成像。

【技术实现步骤摘要】
基于亚体素卷积神经网络的超高分辨荧光显微成像方法


[0001]本专利技术属于显微成像
，具体涉及基于亚体素卷积神经网络的超高分辨荧光显微成像方法。

技术介绍

[0002]超高分辨荧光定位显微成像技术是生物医学研究中不可缺少的工具，极大的促进了学者对微观世界的探索。对比传统荧光显微成像，通过将单分子定位方法与光可开关荧光探针相结合，超高分辨荧光定位显微成像方法突破了光学衍射极限，能够在纳米尺度对活细胞的胞内细胞器或分子结构进行成像。
[0003]然而，目前的超高分辨荧光显微成像技术主要集中在二维尺度。随着生物医学的发展，科研人员更希望能够在纳米尺度下观察细胞的三维结构及其空间关系，即进行三维超高分辨成像。但是，由于光在细胞内的散射等现象，致使目前提出的基于单分子定位的方法无法有效解析深度(Z轴)信息，导致三维荧光显微成像的轴向分辨率相较横向分辨率较低。
[0004]深度学习作为一种新兴技术，已成功应用于超高分辨荧光显微成像研究，并取得重要进展。但是，现有基于深度学习的超高分辨荧光显微成像方法主要通过二维卷积操作实现超高分辨成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于亚体素卷积神经网络的超高分辨荧光显微成像方法，其特征在于，包括以下步骤：步骤S1，基于三维亚体素卷积神经网络构建深度学习模型并进行训练，将训练好的深度学习模型作为超高分辨三维光学显微成像模型；步骤S2，获取待成像的原始三维荧光显微图像序列；步骤S3，将所述原始三维荧光显微图像序列输入至所述超高分辨三维光学显微成像模型中以获取每一帧对应的超高分辨荧光探针定位结果；步骤S4，将所有帧的所述超高分辨荧光探针定位结果进行叠加，获得超高三维荧光显微成像图，其中，所述三维亚体素卷积神经网络包含若干个三维卷积层、三分支多尺度卷积模块以及与所述三维卷积层跳跃连接的残差模块。2.根据权利要求1所述的一种基于亚体素卷积神经网络的超高分辨荧光显微成像方法，其特征在于：其中，所述超高分辨三维光学显微成像模型通过以下步骤得到：步骤S1
‑
1，基于三维亚体素卷积神经网络构建深度学习模型；步骤S1
‑
2，获取仿真训练数据；步骤S1
‑
3，构建损失函数；步骤S1
‑
4，将所述仿真训练数据作为输入，使用所述损失函数对所述深度学习模型采用Adam优化算法进行优化遍历训练，得到所述超高分辨三维光学显微成像模型。3.根据权利要求2所述的一种基于亚体素卷积神经网络的超高分辨荧光显微成像方法，其特征在于：其中，所述仿真训练数据基于以下步骤得到：步骤S1
‑3‑
1，在预定像素的三维网格区域中生成随机分布在仿真结构模板内的若干个荧光分子，基于光学显微成像系统对当前分布进行仿真成像；步骤S1
‑3‑
2，随机改变所述仿真结构模板内激活的荧光分子的位置，利用所...

【专利技术属性】
技术研发人员：刘欣，刘成成，李博艺，他得安，
申请(专利权)人：复旦大学，
类型：发明
国别省市：