Light | 综述：基于深度学习的受损生物光子图像重建

本文综述了深度学习在生物光子学中的应用，特别是在受损生物光子图像数据的重建方面。文章介绍了通过妥协某些测量指标（如点扩散函数、信噪比、采样密度和像素分辨率）来开发成本更低、速度更快、更紧凑的生物成像工具，并通过深度学习模型对这些受损指标进行补偿。这种方法不仅改善了生物光学成像技术的时间分辨率、成像速度和硬件简化，还提升了图像质量和吞吐量。文章还展示了多种生物光学成像技术的成功应用案例，强调了深度学习在处理受损生物光学图像数据方面的多功能性和有效性。未来，这种策略有望进一步推动生物光学成像技术的发展，特别是在实时观察生物学过程和临床诊断等领域。