深度学习在改进相干反斯托克斯拉曼散射显微技术中的最新进展

摘要 相干反斯托克斯拉曼散射（CARS）显微技术是一种强大的无标记成像技术，利用生物分子振动，广泛应用于不同领域。然而，其固有的非共振背景（NRB）会扭曲拉曼信号并损害光谱保真度。用于 CARS 的传统数据分析方法在实现高精度方面遇到了瓶颈。此外，CARS 需要在成像速度与图像质量之间进行权衡。近年来，深度学习领域的探索已有效克服了这些障碍，推动了 CARS 的发展。本综述重点介绍了应用深度学习减轻 NRB、分类 CARS 数据以进行疾病识别以及对图像去噪的研究。从网络架构、训练数据和损失函数等方面对每种方法进行了详细阐述。最后，讨论了该领域的挑战，并提出利用最新的深度学习进展来提高 CARS 显微技术的可靠性和效率。