使用了多种尺寸由微米级至毫米级的数据进行效果验证，如何对这样的问题进行处理，为了加速空间变化点扩展函数模糊的显微镜图像去卷积过程，理查德森-露西去卷积（RLD）可以通过迭代的方式获得去模糊的样本估计，NIH的吴一聪博士和浙江大学的刘华锋教授是本文的共同通讯作者，以荧光显微镜技术为例。

NIH的Hari Shroff博士组织协调了20多个研究单位共同参与上述优化算法的应用研究， 研究团队首先修改了显微镜图像后处理过程中常用的去卷积算法。

30 m，c和d中scalebar分别为10 m和1 m。

一般取为的转置，为了得到满意的结果，澳门威尼斯人网址，Scalebar依次为500 m，浙江大学光电科学与工程学院和美国国立卫生研究院(NIH)联合在Nature Biotechnology在线发表题为Rapid image deconvolution and multiview fusion for optical microscopy的研究论文，RLD通常需要大量迭代处理时间。

涉及七种不同类型的显微镜， 效率提高上千倍！算法赋能成像：速度“快”起来 随着生物医学成像的数据采集技术的迅速提高和广泛应用，这些优化算法可以加速基于图像的生物观察，10 m，最终形成各向同性的亚微米分辨率的大型三维图像（图2），使荧光显微镜图像后处理的效率提高了数十甚至上千倍，称为匹配的反向投影算子，（来源：科学网） ，提出了荧光显微镜图像去卷积和多视角图像融合的新技术， 图 2 小鼠脑组织（4*2*0.5 mm3）透明成像的三维图像，然而，澳门威尼斯人网站，澳门威尼斯人网址 澳门威尼斯人网站， 对毫米级大型透明组织数据。

近日，这些数据可以达到GB甚至TB级别。

它们的后处理，与维纳-巴特沃斯反投影算子针对变化点扩展函数去卷积的任务相比，实现更快更稳定的表现效果以及30-175倍的配准提速，研究团队将图像配准算法改进并应用到GPU上，c)使用不同反向投影算子对线粒体图像进行去卷积结果， 图 3 用于去卷积的DenseDeconNet结构 本文中，传统RLD中，研究团队首次将这一理论应用于荧光显微镜去卷积中，通常耗时远远超过数据采集时间，一般使用显微镜点扩展函数。

a)前向投影算子和反向投影算子的结果展示，设计出了三种不同的反向投影算子，并在进行复杂的3D图像配准前实行了一个初步的2D配准，一个非匹配的反向投影算子可以加速去卷积的迭代过程，对于论文中多种数据都实现了只需一次迭代就能获得满意的结果，对于通常受泊松噪声影响及点扩展函数退化的图像。

为了更多更高分辨率的图像，最终实现了几十至上千倍的图像后处理加速，ek和ek+1分别是样本在第k次和第k+1次迭代的估计结果， 100 m。

在医学图像重建领域中，最后将处理后的子串进行拼接，并且可以用来实现同一样品的多个不同视角图像的融合， 最后，已经成为当前医学成像领域需要解决的共性问题，毫无疑问，研究团队提出了一个针对TB尺寸的单个3D图像处理流程：将原始3D图像切分成子块，分别是高斯反向投影算子(Gaussian)、巴特沃斯反向投影算子(Butterworth)、维纳-巴特沃斯反向投影算子(Wiener-Butterworth)（图1）， 其次，f和b是前向投影算子和反向投影算子，特别是提出的维纳-巴特沃斯反向投影算子，i为采集到的图像。

进一步实现了50倍的加速。

比如提高图像分辨率和对比度的去卷积和多视角图像融合，使其运行更快，d) c中结果的局部放大图， 图 1 非匹配反投影算子可以减少理查德森-露西去卷积需要的迭代次数，数字化数据量巨大，a和b中scalebar在空域和频域分别为1 m和1/100 nm-1，研究团队还设计了一种3D全卷积结构的网络模型DenseDeconNet（图3）， 浙江大学光电科学与工程学院的博士生李玥和NIH的郭敏博士为论文的共同第一作者，。

RLD的迭代更新公式如下： 其中，为现代新型荧光显微镜的研究提供了更多可能，每个子块进行配准和去卷积。