Entwicklung eines Airystrahl-Lichtscheibenmikroskops in Verbindung mit einer Deep Learning-basierten Bildoptimierung

Abstract

Für die Erforschung und das Verständnis komplexer Strukturen im Gehirn ist die Erfassung sowohl kleinster Details als auch ganzer Hirnareale notwendig. Die Umsetzung dieser Kombination von hoher Auflösung und großem Sichtfeld ist bei herkömmlichen Mikroskopaufbauten eine Herausforderung. Selbst in einem Lichtscheibenmikroskop, welches durch Anregung einer einzelnen Schicht kontrastreiche Mikroskopiebilder erzeugen kann, besteht aufgrund der Divergenz des anregenden Gaußstrahls ein Kompromiss zwischen Lichtblattdicke und nutzbarem Sichtfeld. <br /> Im Rahmen dieser Arbeit wurde ein Airystrahl-Lichtscheibenmikroskop entworfen und aufgebaut. Die Verwendung des Airystrahls ermöglicht durch die geringe Strahldivergenz eine Vergrößerung des Sichtfelds um den Faktor neun und damit eine Verkürzung der Messzeit. Im Aufbau wird der Airystrahl durch einen Lichtmodulator erzeugt, auf welchen das charakteristische Phasenmuster projiziert wird. Zur Aufnahme biologischer Proben und für einen effektiven Aufnahmeprozess wurde sowohl die Möglichkeit zur volumetrischen Messung als auch eine simultane Aufnahme von zwei Farbkanälen im Aufbau umgesetzt. <br /> Der Airystrahl bietet den Vorteil einer gleichmäßigen Ausleuchtung über ein großes Feld, gleichzeitig weist das Strahlprofil Seitenmaxima auf, die den Bildkontrast durch Anregung von Regionen außerhalb der Fokusebene beeinträchtigen. Dieser Effekt kann durch die Anwendung eines Dekonvolutionsalgorithmus in der Nachbearbeitung der Bilder minimiert werden. Eine traditionelle Dekonvolution kann in der Regel nur unter Kenntnis physikalischer Bildgebungseigenschaften, speziell der Punktspreizfunktion (PSF), durchgeführt werden. Diese ist allerdings sowohl theoretisch als auch experimentell aufwendig zu ermitteln. Aus diesem Grund wurde in dieser Arbeit eine auf Deep Learning basierende Dekonvolution entwickelt, welche keine Information über die PSF erfordert. <br /> Die Architektur der Deep Learning Dekonvolution ist auf der Grundlage eines sogenannten Pix2Pix GANs aufgebaut. Zum Training des Algorithmus werden Bilder verwendet, welche mit Gaußstrahlanregung und zusätzlicher Vergrößerung im Mikroskop aufgenommen wurden. Sie weisen in einem kleinen Sichtfeld eine gute Auflösung und einen guten Bildkontrast auf, allerdings ist die Erzeugung dieser Trainingsdaten vergleichsweise zeitaufwendig. <br /> Um die Leistung der Deep Learning Dekonvolution zu untersuchen, wurde diese sowohl auf simulierte Daten als auch auf Bilder biologischer Proben angewendet. Hierfür wurden Bilder von Maushirnschnitten aufgenommen und analysiert. Mit Hilfe des entwickelten Algorithmus ist es möglich, die Qualität der Airystrahl-beleuchteten Bilder deutlich zu verbessern. Im Vergleich zur traditionellen Richardson-Lucy Dekonvolution konnten sowohl verbesserte Ergebnisse als auch eine Verkürzung der Mess- und Verarbeitungszeit verifiziert und quantifiziert werden.