AutodeConj：最適な反復数を予測する3Dライトフィールドデコンボリューション用のGPUアクセラレーションImageJプラグイン

動機：ライトフィールド顕微鏡（LFM）は、高速3D蛍光イメージングのコンパクトなソリューションです。通常、キャプチャされた生データに対して3Dデコンボリューションを行う必要があります。再構成プロセスを加速できる深いニューラルネットワークメソッドがありますが、モデルはすべてのシステムパラメーターに普遍的に適用できません。ここでは、LFMデータの4.4×より速く、より正確なデコンボリューション用のGPUアクセラレーションImageJプラグインであるAutodeConjを開発します。さらに、デコンボリューションプロセスの画質メトリックを提案し、再構成精度が高く、アーティファクトが少ない最適な反復数を自動的に決定することを支援します。 結果：提案された方法は、再構築時間と最適な反復数予測機能における最先端の光場デコンボリューション方法よりも優れています。深い学習方法よりも、異なる光フィールドポイントスプレッド関数（PSF）パラメーターのより良い普遍性を示しています。さまざまなPSFパラメーターの高速で正確で一般的な再構築パフォーマンスは、LFMデータの質量3D再構成の可能性を示唆しています。 可用性と実装：コード、ドキュメント、およびサンプルデータは、https：//github.com/onetism/autodeconj.gitのオープンソースで入手できます。 補足情報：補足データは、バイオインフォマティクスオンラインで入手できます。

MOTIVATION: Light-field microscopy (LFM) is a compact solution to high-speed 3D fluorescence imaging. Usually, we need to do 3D deconvolution to the captured raw data. Although there are deep neural network methods that can accelerate the reconstruction process, the model is not universally applicable for all system parameters. Here, we develop AutoDeconJ, a GPU-accelerated ImageJ plugin for 4.4× faster and more accurate deconvolution of LFM data. We further propose an image quality metric for the deconvolution process, aiding in automatically determining the optimal number of iterations with higher reconstruction accuracy and fewer artifacts. RESULTS: Our proposed method outperforms state-of-the-art light-field deconvolution methods in reconstruction time and optimal iteration numbers prediction capability. It shows better universality of different light-field point spread function (PSF) parameters than the deep learning method. The fast, accurate and general reconstruction performance for different PSF parameters suggests its potential for mass 3D reconstruction of LFM data. AVAILABILITY AND IMPLEMENTATION: The codes, the documentation and example data are available on an open source at: https://github.com/Onetism/AutoDeconJ.git. SUPPLEMENTARY INFORMATION: Supplementary data are available at Bioinformatics online.