近期，来自仁斯利尔理工大学（RPI）的一个科研团队开发出了一种用于重建图像的深度学习方法，它能以超高的质量和超快的速度生成活体器官和肿瘤的全幅分子图像。在原理上，这种新方法利用了基于压缩感知的成像技术——一种信号处理技术，可用于基于有限的一组点来测量、创建图像，于是RPI研究人员在早期工作的基础之上提出了一种使用基于传感器成像技术来获取全幅分子数据集的方法。

虽然在这项研究的早期工作中产生了更完整的图像，但完成整个包括了数据处理和图像形成的过程需要几个小时。为了实现分子运动整个事件的近实时可视化，该团队构建了一个名为Net-FLICS（用于压缩感知的荧光寿命成像）的卷积神经网络（CNN）架构，这个Net-FLICS能够使用深度学习的方法来改进图像重建程序。

图1 RPI研发的新技术可以利用深度学习来加速分子成像过程，图为注射标记药物4小时和6小时后重建的关于药物体内强度和荧光平均寿命的图像。致谢提供图片的RPI和《光学：科学与应用》杂志

研究人员建造了一个大型模拟数据集，用来训练Net-FLICS从原始的时间分辨压缩感知数据直接重建图像。Net-FLICS显示了其基于体外和体内实验数据重建图像的能力和它在低光子计数水平下取得的优异性能。除了提供被检测对象（包括研究人员用荧光视觉定位的器官或肿瘤）的整体快照，新的成像过程还可以通过测量荧光的衰减率来揭示细胞内药物成功递送的信息。

Pingkun Yan教授表示：“这项技术在获得更准确的诊断和治疗方面有着巨大的应用前景，它可以帮助医生更好地看到肿瘤的位置和确切大小。” 在将这种新方法用于临床环境之前，科研人员还需要进一步的开发。为了加速该技术的发展，研究人员将基于建模的模拟数据纳入其中。教授Yan表示，相关的进一步研究表明，该模型可以准确地扩展到实际的实验数据中去。

教授Yan还表示：“一般深度学习都需要大量的数据来进行培训，但对于这个系统，我们还没有这种条件，因为它是一个非常新的系统。我们最终的目标是将其转化为临床应用，当我们拥有了针对临床应用的系统时，这个进程就要尽可能快。”

该项研究发表在了《光：科学与应用》杂志上。

本文受译者委托，享有该文的专有出版权，其他出版单位或网站如需转载，请与本站联系，联系email：mail#opticsjournal.net。否则，本站将保留进一步采取法律手段的权利。