摘要

荧光寿命成像显微镜（FLIM）是一种强大的生物医学研究技术，它利用荧光团的衰减率在荧光显微镜中提供额外的对比度。然而，目前FLIM的计算、分析和解释是一个复杂、缓慢且计算成本高昂的过程。机器学习（ML）技术非常适合从多维FLIM数据集中提取和解释测量结果，与传统方法相比，其速度有了显著提升。在本专题综述中，我们首先讨论了FLIM和ML的基本原理。其次，我们总结了使用ML进行寿命提取的策略及其在分类和分割FLIM图像中的应用，这些应用相较于传统方法具有更高的准确性。最后，我们探讨了两个潜在的方向来改进FLIM，并提供了概念验证演示。