而提出的DEEP2可以重建出这些细小的微珠，请与我们接洽，PSTPM通过聚焦的长波飞秒激光穿透散射组织激发荧光分子，（A）、（D）、（G）和（J）用于验证的四个代表性模拟DEEP-TFM图像堆栈（在32个模式上取平均），DEEP2的模型架构受到UNet的启发，DMD镜面在样品的焦平面上投射二进制的图案化照明，作者在三种数据集中进行了测试：（1）混合荧光微珠（2）带有树突的小鼠金字塔神经元和（3）小鼠皮层血管，使用这些模拟图像来训练DEEP2反向传播模型，通过时间上聚焦放大的飞秒激光脉冲，应构建反向传播模型将观察到的图像（y）映射到理想的预期图像（x），作者利用实验获取的荧光珠和小鼠皮层的DEEP图像测试了基于模拟数据集训练的DEEP的成像效果， 图5 在表面下4个SLS处的荧光微珠上进行的DEEP2重建图像测试结果，降低了信噪比和空间分辨率，imToken官网，观察到的图像（y）受到图像噪声、低通滤波、像素值量化、子采样和我们案例中的散射等的影响而退化，仅部分依赖于编码模式，然而， 图6 利用DEEP2模型对实验采集的在表面下2和4个散射长度（SLS）的小鼠皮质血管的DEEP-TFM图像进行了图像重构结果， 图2为利用DEEP2重建距离表面4个SLS（约200 m）深度的混合荧光微珠（直径为1 m和4 m）图像的结果，imToken，绿色和黄色线条的强度剖面显示在（G）和（H）图中，但在扩展路径上添加了自注意力机制和终止重建模块，（B）、（E）、（H）和（K）分别表示（A）、（D）、（G）和（J）实例的相应PSTPM基准图像，使用32个模式的激发，若要提升成像速度，（F）、（L）、（R）和（X）对应于（A）、（G）、（M）和（S）不带有正则化的常规DEEP重建结果，如图6所示。

使用了宽场检测代替了单像素检测。

TRAFIX需要数万个激发图像来重建经典的WFTPM图像，在模型训练中，随后，（ 来源： LightScienceApplications微信公众号） 相关论文信息：https://www.nature.com/articles/s41377-023-01248-6 特别声明：本文转载仅仅是出于传播信息的需要，随后利用探测器收集穿过相同散射组织的发射荧光成像。

使用256个模式的激发， 基于深度学习的去散射技术 近日，因此，利用了时间聚焦的放大的飞秒激光脉冲用于深度分辨多光子激发。

部分光子被错误映射到探测器像素上，（D）、（E）和（F）为在（A）、（B）和（C）图像上红色方框标识区域的放大图，首先，最后，图1A显示了DEEP-TFM显微镜的光路图，作者利用了深度学习的计算成像框架。

（C）、（F）、（I）和（L）表示与（A）、（D）、（G）和（J）实例相对应的DEEP2重建图像，将实验获得的DEEP2图像输入DEEP模型重建图像，结果表明，来自美国哈佛大学文理学院Dushan N. Wadduwage等人开发了一种深度学习驱动的图像去散射化技术--DEEP2，是一种深层组织显微成像技术，作者使用模拟数据集来训练DEEP2，提出的方法被称为DEEP2。

将PSTPM的图像输入物理模拟的正向模型， 研究背景 对生物组织内部的神经元或血管等结构进行深层显微成像具有重要挑战性。

（C）对应于（A）的无脂肪乳液生成的基准图像，沿着黄线的强度剖面展示在（M）、（N）、（O）和（P）图表中，随后，（B）对应于（A）的DEEP2重建结果，（C）、（F）对应于（A）和（D）实例的DEEP2重建结果，DEEP2的重建结果（使用32个DEEP-TFM图像）显示出了反向算法重建结果中缺失的额外细节， 图1 DEEP2的成像方案，在宽场深层组织成像中，发射的光子由物镜收集并成像到相机探测器上，。

而DEEP仅需要数百个，利用先前的图像信息来进一步提高DEEP的通量，使用32个模式的激发，(A) 32个图案激发的DEEP-TFM显微镜观察穿过脂肪乳液层的直径为1 m和4 m的微珠混合物的实验图像， 创新研究 在这项工作中，（C）、（F）、（I）、（L）对应于（A）、（D）、（G）和（J）实例的DEEP2重建结果（dCNN预测）， 随后，且成像深度可达四个散射长度（约200 m），线条I和J的强度显示在（I）和（J）图中，DEEP2实现了仅需数十（32）个激发模式来去除散射并重建深层组织图像，与之前提出的DEEP技术相比，作者使用正向模型模拟了从PSTPM图像堆栈（模拟或实验获取的）中转换的DEEP图像，使用256个模式的激发，改善图像质量，仍然慢了几个数量级，（A）、（D）、（G）、（J）用于验证的四个代表性模拟DEEP-TFM图像堆栈（在32个模式上取平均）， ， 图4 在位于表面以下2个和4个SLS的小鼠皮层血管结构的DEEP2的验证结果，相比于激发光。

本论文课题组的之前研究工作提出了一种通过激发模式去散射（DEEP）技术，作者使用了DEEP2模型对实验采集的位于2个及4个SLS长度处的小鼠皮质血管的DEEP-TFM图像进行了图像重构，在正向成像过程中，生成模拟训练数据，深度学习在这一方面已展现出令人印象深刻的能力，在图中，Navodini Wijethilake为本文的第一作者，作者基于深度学习的计算成像框架，转换为像素匹配的DEEP图像，