Abstract
Light-sheet fluorescentiemicroscopie (LSFM) maakt snelle en licht-efficiënte 3D-beeldvorming van grote, optisch geklaarde stalen mogelijk, maar de beeldkwaliteit wordt beperkt door streepartifacten en anisotrope, diffractiegelimiteerde resolutie. Daardoor wordt kwantitatieve analyse van biologie op cellulair niveau bemoeilijkt. Dit project beoogt een computationeel raamwerk voor LSFM te ontwikkelen om isotrope superresolutie in 3D te bereiken. Eerst wordt een forwardoperator ontwikkeld op basis van simulatie van verstrooide belichtingspatronen en ruimtelijk variërende detectie-point-spreadfuncties. Toepassing op grote volumes wordt mogelijk gemaakt via principale-componentenanalyse gebaseerde berekeningen en blokgewijze parallelle verwerking. Vervolgens wordt een hybride iteratieve superresolutie-reconstructiemethode ontwikkeld die fysisch gebaseerde modellering combineert met deep-learning-gestuurde inverse optimalisatie op multihoek-LSFM-data, om betrouwbaarheid en resolutiewinst in balans te brengen. Het raamwerk wordt gevalideerd met simulaties en fantomen en toegepast op optisch geklaarde hersenen van muismodellen voor de ziekte van Huntington (HD), een belangrijke toepassing die een absolute documentatie van pathologische defecten met cellulaire precisie vereist. Deze aanpak zal LSFM-onderzoek op orgaanniveau verschuiven van grove regionale metingen naar celresolutie-gebaseerde kwantitatieve analyse, met brede toepasbaarheid over LSFM-platformen en biologische studies.
Onderzoeker(s)
Onderzoeksgroep(en)
Financiering
Project type(s)