Rekonstruktion von 3D-Abbildungen in der Lichtschicht-Fluoreszenzmikroskopie mit Dekonvolutions- und Deep-Learning-Algorithmen

Mit einem Lichtschicht-Fluoreszenzmikroskop (LSFM) können fluoreszierende Proben schichtweise aufgenommen und zu dreidimensionalen Bildern rekonstruiert werden. Die Proben sind in der Regel fest, z.B. in Agarose, eingebettet und werden mit Hilfe eines Piezo-Verstelltisches schrittweise durch die Lichtschicht bewegt. Im Fall einer durchflussbasierten Messung können die Proben in einem zur Lichtschicht verkippten Schlauch geführt und die Probenbewegung als Scanmechanismus ausgenutzt werden. Allerdings führt dieser Ansatz zu einer Bewegungsunschärfe und Herausforderungen bei der schnellen Rekonstruktion. In diesem Beitrag diskutieren wir, inwieweit Deep-Learning-Algorithmen mit neuronalen Netzen geeignet sind, die Qualität und Geschwindigkeit durchflussbasierter Messungen zu steigern. Dazu sollen auch alternative Maßnahmen wie Dekonvolutionsalgorithmen zum Vergleich herangezogen und Kombinationsmöglichkeiten mit anderen Algorithmen ausgelotet werden.