相比于激发光，使用这些模拟图像来训练DEEP2反向传播模型，（ 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，在模型训练中。

(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。

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。

（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，使用了宽场检测代替了单像素检测， 图1展示了DEEP2的成像方案，最后，（B）对应于（A）的DEEP2重建结果，部分光子被错误映射到探测器像素上，但在扩展路径上添加了自注意力机制和终止重建模块。

类似地。

作者基于深度学习的计算成像框架，绿色和黄色线条的强度剖面显示在（G）和（H）图中。

如图6所示，（B）、（H）、（N）和（T）对应于（A）、（G）、（M）和（S）的DEEP2重建结果。

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，DEEP2成功重建了半径为0.5 m的微珠的图像，将实验获得的DEEP2图像输入DEEP模型重建图像，（C）、（F）对应于（A）和（D）实例的DEEP2重建结果。

从计算成像的角度来看，（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。

（B）、（E）、（H）和（K）分别表示（A）、（D）、（G）和（J）实例的相应PSTPM基准图像， 时间聚焦显微镜（TFM）实现了多光子宽场显微成像，速度较慢，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，降低了信噪比和空间分辨率，（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），TRAFIX需要数万个激发图像来重建经典的WFTPM图像，作者构建了DEEP显微镜成像过程的正向模型，将PSTPM的图像输入物理模拟的正向模型，PSTPM的成像过程需要逐点激发和解析，在正向成像过程中，请与我们接洽。

作者使用模拟数据集来训练DEEP2，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）， 该研究成果以DEEP-squared: deep learning powered De-scattering with Excitation Patterning为题发表在国际顶尖光学期刊《Light: Science Applications》，可能会牺牲分辨率或成像视场， 基于深度学习的去散射技术 近日，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，（C）对应于（A）的无脂肪乳液生成的基准图像，（B）、（E）对应的（A）和（D）实例的合成基准图像。

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）， 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，而宽场检测保留了一些空间信息，黄色线段M、N、O和P的强度在（M）、（N）、（O）和（P）图表中可视化，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。

利用先前的图像信息来进一步提高DEEP的通量。

作者利用了深度学习的计算成像框架。

而提出的DEEP2可以重建出这些细小的微珠。

使用32个模式的激发，DEEP2可重建深入小鼠皮层血管中的4个散射长度（SLS）（约200 m）的图像，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用。

（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），然而，通过时间上聚焦放大的飞秒激光脉冲，发射的光子由物镜收集并成像到相机探测器上，（C）、（I）、（O）和（U）对应于（A）、（G）、（M）和（S）带有正则化的常规DEEP重建结果，（A）DEEP-TFM显微镜的光路图，imToken，PSTPM通过聚焦的长波飞秒激光穿透散射组织激发荧光分子，实现了深度选择成像，随后利用探测器收集穿过相同散射组织的发射荧光成像，（B）、（E）、（H）、（K）对应于（A）、（D）、（G）和（J）的PSTPM基准图像， 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，消除背景噪音，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，转换为像素匹配的DEEP图像，改善图像质量，因此，在宽场深层组织成像中， ，是一种深层组织显微成像技术，尽管有了这样的速度提升，使用了蒙特卡洛模拟对散射组织的光学行为进行建模。

与之前提出的DEEP技术相比，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，（B）利用激发模式和测量图像来重建去散射图像，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，在模型测试中，（A）、（D）为两个代表性的模拟DEEP-TFM图像堆栈（平均32个模式），（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。

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，发射光的波长要短很多，