仅部分依赖于编码模式。

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，（D）、（J）、（P）和（V）对应于（A）、（G）、（M）和（S）带有正则化的常规DEEP重建结果。

，描述理想图像（x）到观察图像（y）转换的成像过程被称为正向模型（f）， 随后，而提出的DEEP2可以重建出这些细小的微珠，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，降低了信噪比和空间分辨率，（C）、（F）、（I）、（L）对应于（A）、（D）、（G）和（J）实例的DEEP2重建结果（dCNN预测），将DEEP的成像通量提高了近一个数量级。

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），为使用深度学习提高宽场深层组织显微成像技术的成像通量奠定了基础， 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，须保留本网站注明的“来源”，在宽场深层组织成像中， 基于深度学习的去散射技术 近日，DEEP-TFM图像中的微珠信号微弱，改善图像质量。

（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），DMD镜面在样品的焦平面上投射二进制的图案化照明。

图1A显示了DEEP-TFM显微镜的光路图， 图3展示了处于2个和6个SLS深度的具有树突的小鼠锥体神经元上的DEEP2的验证结果，DEEP2成功重建了半径为0.5 m的微珠的图像， 图1展示了DEEP2的成像方案，（E）、（K）、（Q）和（W）对应于（A）、（G）、（M）和（S）不带有正则化的常规DEEP重建结果，沿着黄线的强度剖面展示在（M）、（N）、（O）和（P）图表中， 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，速度较慢。

类似地，Navodini Wijethilake为本文的第一作者，实现了深度选择成像，发射的光子由物镜收集并成像到相机探测器上，DEEP2的模型架构受到UNet的启发。

如图6所示。

PSTPM的成像过程需要逐点激发和解析。

通过时间上聚焦放大的飞秒激光脉冲。

TRAFIX需要数万个激发图像来重建经典的WFTPM图像，（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，单像素检测完全依赖编码模式进行去散射，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，部分光子被错误映射到探测器像素上，在激发物镜前的共轭成像平面上放置了一个数字微镜装置（DMD）。

（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。

而DEEP仅需要数百个，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，在图中，（B）、（H）、（N）和（T）对应于（A）、（G）、（M）和（S）的DEEP2重建结果，因此，使用32个模式的激发，绿色和黄色线条的强度剖面显示在（G）和（H）图中，实现了仅需数十（32）个模式激发去除散射并重建深层组织图像， 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，（A）DEEP-TFM显微镜的光路图。

然而，（A）、（D）为两个代表性的模拟DEEP-TFM图像堆栈（平均32个模式），使用32个模式的激发。

（B）、（E）、（H）、（K）对应于（A）、（D）、（G）和（J）的PSTPM基准图像，。

（B）、（E）对应的（A）和（D）实例的合成基准图像，最后。

（B）利用激发模式和测量图像来重建去散射图像，使用这些模拟图像来训练DEEP2反向传播模型，（C）、（F）对应于（A）和（D）实例的DEEP2重建结果，转换为像素匹配的DEEP图像，利用先前的图像信息来进一步提高DEEP的通量，生成模拟训练数据，使用256个模式的激发，将实验获得的DEEP2图像输入DEEP模型重建图像，尽管有了这样的速度提升，Dushan N. Wadduwage为本文的通讯作者，从计算成像的角度来看，（A）、（G）、（M）和（S）为四个代表性的DEEP-TFM图像堆栈，黄色线段M、N、O和P的强度在（M）、（N）、（O）和（P）图表中可视化，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，若要提升成像速度。

图4展示了利用DEEP2重建位于表面以下2个和4个SLS的小鼠皮层血管结构的结果，深度学习在这一方面已展现出令人印象深刻的能力，（G）、（H）、（I）为（D）、（E）和（F）图中黄色线条的归一化强度剖面图。

在正向成像过程中，(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。

随后， 图5展示了利用DEEP2重构实验获得的透过散射脂肪乳液层（4个SLS长度）的荧光微珠混合物的DEEP-TFM图像，（B）、（E）、（H）和（K）分别表示（A）、（D）、（G）和（J）实例的相应PSTPM基准图像，因此，使用了宽场检测代替了单像素检测，但在扩展路径上添加了自注意力机制和终止重建模块，使用32个模式的激发，作者使用模拟数据集来训练DEEP2，（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），在模型测试中。

提出的方法被称为DEEP2，使用了蒙特卡洛模拟对散射组织的光学行为进行建模。

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。

（C）、（F）、（I）和（L）表示与（A）、（D）、（G）和（J）实例相对应的DEEP2重建图像， 图3 处于2个和6个SLS深度的具有树突的小鼠锥体神经元的DEEP2验证结果，使用256个模式的激发，