Publication

Integrating time-resolved NIR and SWIR imaging for high-resolution mesoscopic fluorescence lifetime imaging using deep learning (Conference Presentation)

Claudio Bruschini
2025

Résumé

We developed a deep learning (DL) model to enhance mesoscopic fluorescence lifetime imaging (FLI). By fusing low-resolution time-resolved images from a time-gated SPAD detector with high-resolution intensity images from a shortwave infrared (SWIR) InGaAs detector, we produced upsampled high-resolution FLI images. The DL model, featuring LSTM and 3D convolutional layers, was trained on simulated temporal point spread functions and validated with tissue-mimicking phantoms. Results showed highly accurate upsampled images, with future testing planned for tumor xenograft imaging to study tumor heterogeneity.

Source officielle

https://infoscience.epfl.ch/entities/publication/a9949845-7ebc-4886-89a3-740260f35537

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Claudio Bruschini
2025

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/a9949845-7ebc-4886-89a3-740260f35537

À propos de ce résultat

Concepts associés (17)

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Réseau neuronal convolutif

En apprentissage automatique, un réseau de neurones convolutifs ou réseau de neurones à convolution (en anglais CNN ou ConvNet pour convolutional neural networks) est un type de réseau de neurones artificiels acycliques (feed-forward), dans lequel le motif de connexion entre les neurones est inspiré par le cortex visuel des animaux. Les neurones de cette région du cerveau sont arrangés de sorte qu'ils correspondent à des régions qui se chevauchent lors du pavage du champ visuel.

Imagerie hyperspectrale

vignette|Projection bi-dimensionnelle d'une image hyperspectrale d'une région de la Terre prise depuis l'espace. vignette|Image hyperspectrale de plusieurs pierres permettant d'identifier les éléments qui les composent. vignette|L'imagerie hyperspectrale comparée à l'imagerie spectrale. vignette|Les différentes techniques d'acquisition d'une image hyperspectrale. L'imagerie hyperspectrale ou spectro-imagerie est une technologie permettant d'obtenir l'image d'une scène dans un grand nombre (généralement plus d'une centaine) de bandes spectrales à la fois étroites et contigües.

Afficher plus