将基于模型的重建技术与深度学习相结合，以加速质谱成像过程

《Analytical Chemistry》：Integrating Model-Based Reconstruction and Deep Learning for Accelerating Mass Spectrometry Imaging

质谱成像（MSI）技术通过结合计算框架与预训练深度学习去噪器，实现了从稀疏采样数据中高效重建高分辨率离子图像，无需针对不同实验设置重新训练模型，并成功应用于脑和肾脏等多种生物组织的高效成像。

　　

质谱成像（MSI）是一种强大的多重生化成像技术。它依赖于栅格扫描来获取局部数据，但这可能非常耗时，从而限制了高分辨率组织成像和3D重建的应用。本研究提出了一种计算框架，该框架将栅格扫描模型与深度学习相结合，以便从稀疏采样的像素中重建高分辨率的离子图像。深度学习部分采用预训练的降噪网络实现，并集成到一个即插即用的迭代重建算法中，无需针对不同的采集设置重新训练。我们证明了该方法能够从使用不同MSI仪器、不同采集设置以及不同组织类型获得的稀疏数据中重建出高保真的离子图像，且无需额外训练。值得注意的是，我们的方法能够稳健地适用于生物学和结构上差异较大的组织（例如从脑组织到肾脏组织），显示出其在各种实验性MSI工作流程中的广泛应用潜力。