介绍
单细胞分析是对群体内单个细胞的研究，旨在识别其生物物理指纹，从而发现群体平均测量结果不可见的细胞异质性[ 1 ]。这种新的范例与高速成像流式细胞术相结合，已在癌症生物学、免疫学、微生物学和干细胞生物学领域迅速成功地建立起来。事实上，以高帧速率获取信息图像、获得数千个细胞的快照库的能力使该技术可用于临床应用[ 2 ]。细胞的生物物理特性反映了它们的状态，即健康或患病；因此，获取如此丰富的成像内容对于识别新的疾病生物标志物至关重要。3、4 ] 。​ 尽管基于荧光和明场显微镜相结合的多模态成像仍然是成像流式细胞术领域的黄金标准 [ 5 ]，但无标记和定量显微镜技术 [ 2 , 6 – 8 ] 有望成为流式细胞术领域的黄金标准。今后避免使用化学污渍解决方案。在无标记成像模式中，断层相显微镜（TPM）是单细胞分析最具创新性的技术，提供最丰富的信息内容[ 9-11]。事实上，细胞的断层扫描再现了体积折射率 (RI) 分布，该分布本质上编码了其自身的 3 维 (3D) 细胞内结构。这开辟了通过 3D RI 分布对细胞进行全面生物物理表征的途径，可以将其视为内源性生物标志物。在过去的十年中，TPM 在生物医学中非常有希望的结果证明了该技术作为单细胞研究的新型成像方式的有效性[ 12-14 ]。最近在流式细胞术条件下的 TPM 演示，即断层流式细胞术 (TFC)，补充了在高通量模式中采用该技术所缺失的里程碑 [ 15 – 17]。TFC 已展示了多种应用，例如红细胞贫血检测 [ 16 ]、硅藻物种表征 [ 16 ]、循环肿瘤细胞检测 [ 4 , 18 ]、细胞内纳米粒子可视化 [ 19 ] 和细胞内细胞器检查 [ 20] – 22]。根据视场 (FoV) 中同时成像的细胞数量和速度，吞吐量可能从每分钟数十个到数千个细胞不等。虽然这是进行具有高度统计相关性的深入单细胞分析的独特机会，但它也在数据管理方面提出了不可忽视的问题。对于 TFC，通常必须为每个细胞重建数十到数百个相位对比图，以估计其 3D RI 断层图。当然，减少探测方向的数量可以减轻数据管理和计算负担，但会牺牲分辨率。大量数据推动科学界通过机器学习在成本和速度方面改进计算处理[ 23]。最新结果报告称，利用深度学习使全息重建过程的速度提高了 45 倍 [ 24 ]。即使在角度视图非常有限的情况下，学习方法也已成功地用于提高断层扫描重建的质量[ 25-27 ][ 28 , 29 ]。最近，已经证明，仅使用通过角度复用照明策略同时获取的 4 个视图并利用深度学习来恢复丢失的信息，即可实现每秒超过 10,000 张断层扫描图像 [ 28]。请注意，尽管商业成像流式细胞术设备和 TFC 系统之间的吞吐量相当，但单个细胞快照的存储需要几千字节，而断层照片需要兆字节，即大约多出 3 个数量级。这是TFC最麻烦的瓶颈；因此，断层扫描数据的有效编码策略可能允许在成像流式细胞仪涵盖的所有研究领域中使用此类技术，例如免疫学、血液学、肿瘤学和耐药性等。显然，为了使 TFC 技术真正可用于上述研究领域，以快速且可访问的方式存储和管理 3D 数据是必要的。这个问题可以在体积图像分析的广泛领域内解决。实际上，30 ]，例如基于变换的技术，如离散小波变换（DWT）。其他方法使用基于视频编码方法的不同范例，例如 H.264/MPEG-4 AVC 和 H.265/MPEG-HHEVC [ 31 ] 来压缩 3D 和 4D 医学图像数据集。尽管出现了最新且高性能的 3D 编码策略 [ 32-34 ]，但目前最常用的体积图像分析方法仍然基于 3D DWT [ 35 ]。

Canterakis 提出了一种基于 Zernike 多项式 3D 扩展的替代方案 [ 36] 旨在拥有一个全方位的3D图像分析和识别工具。事实证明，3D Zernike 表示是基于球谐函数的描述符的自然扩展，提供完整的正交仿射不变量并保证非常高的编码性能，特别是对于具有类球对称性的对象。事实上，这种方法已成功应用于广泛的应用，从传统的 3D 形状压缩和检索 [ 37 ] 到最近的 3D 蛋白质形状研究 [ 38]]。考虑到，在细胞的自然环境中，例如在连续流动中，它们的3D形状可以被认为几乎是球形的；在这里，我们引入了 3D 空间中的 Zernike 多项式基础来表示单细胞断层图像。特别是，我们证明了将 3D 断层扫描数据编码为相应 3D Zernike 描述符 (3DZD) 的序列（即 1D 数字字符串）的可能性，而不会造成大量信息丢失。通过这种方式，3DZD 可以以先验选择的保真度对断层摄影数据进行编码。据我们所知，之前尚未研究过通过 3DZD 挤压单细胞断层图像。此外，最近发现了泽尼克多项式和单细胞定量相位成像（QPI）之间的内在关系，表明细胞可以建模为生物光流控微透镜，39]。将这种建模扩展到 3D 相衬断层成像是本文的理论基础。由于细胞的相差图像是3D真实物体（即断层图像）的2D投影，因此Zernike多项式的3D扩展也可以被认为是微透镜体积成形的推广。这一概念开辟了通过 3D Zernike 多项式管理断层扫描的新范例，不仅限于 3D 断层扫描数据的压缩和重建，还可以将 3DZD 和相关像差解释为亚细胞结构的指纹。我们首先演示基于 3DZD 的模拟断层扫描细胞模型（即地面实况）的重建，目的是定义达到重建保真度分数所需的 Zernike 多项式阶数，固定为 < 重建与地面实况之间归一化均方根误差 (NRMSE) 的 1%。此外，还报告了与最常用的基于 3D DWT 的体积图像压缩策略相比，所提出的基于 Zernike 的编码方案的性能分析。然后，我们在 TPM 系统静态记录的几个单细胞断层图像数据上验证了该方法。40 ] 以及最相关的流式细胞术条件情况 [ 16 , 24 ]。这种突破性的方法可以为断层扫描数据管理和存储的新方法铺平道路，因为它允许用 1D 序列（即 3DZD）替换 3D 数据，减少问题维度，同时保持相同程度的数据丰富度。

材料和方法
用于断层扫描数据记录的光学装置
对于TPM实验，采用了3种不同的设置，下文称为设置A[ 16 ]、设置B[ 24 ]和设置C[ 40 ]。设置 A 和 B 采用相同的光学配置（如图1 A 所示）实现，并共享流式细胞术条件，因此它们的布局看起来相似，因为它们仅在某些光学组件上有所不同。相反，设置 C 基于不同的光学配置（参见图1中的草图）B)其中采用照明扫描策略对静态样本进行断层成像。更准确地说，装置 A 和 B 配备了基于马赫-曾德尔干涉仪的离轴配置数字全息显微镜。绿色激光束（激光量子环面 532）被偏振分束器 (PBS) 立方体分成参考光束和物光束。两个半波片 (HWP) 放置在 PBS 的前面和后面，以平衡物体和参考光束的强度之间的比率，同时保持相同的偏振。由于自动注射泵（注射泵 neMESYS 290N：设置 A 为 7 nl/s，设置 A 为 50 nl）的推动，物体光束在沿着微流体通道（Microfluidic ChipShop 10000107，1,000 μm × 200 μm）流动和旋转时照亮细胞/s 用于设置 B)，然后通过显微镜物镜收集[设置 A 的 MOA Zeiss Plan-Apochromat 60× 数值孔径 (NA) = 1.2 水浸，设置 B 的 MOB Zeiss Plan-Apochromat 40× NA = 1.3 油浸]。物光束通过分束器立方体 (BS) 与参考光束重新组合，以生成由相机（IDS 的 CCD u-eye，2,048 × 2,048 像素，设置 A 的像素大小为 5.5 μm）数字记录的干涉图案CMOS Genie Nano-CXP 相机，5,120 × 5,120 像素，设置 B) 的像素尺寸为 4.5 μm。根据图1的参考系统 物光束通过分束器立方体 (BS) 与参考光束重新组合，以生成由相机（IDS 的 CCD u-eye，2,048 × 2,048 像素，设置 A 的像素大小为 5.5 μm）数字记录的干涉图案CMOS Genie Nano-CXP 相机，5,120 × 5,120 像素，设置 B) 的像素尺寸为 4.5 μm。根据图1的参考系统 物光束通过分束器立方体 (BS) 与参考光束重新组合，以生成由相机（IDS 的 CCD u-eye，2,048 × 2,048 像素，设置 A 的像素大小为 5.5 μm）数字记录的干涉图案CMOS Genie Nano-CXP 相机，5,120 × 5,120 像素，设置 B) 的像素尺寸为 4.5 μm。根据图1的参考系统如图1A所示，细胞沿y轴流动并绕x轴旋转，而全息序列沿z轴记录（设置A为75 fps，设置B为30 fps）。

在设置 C 的情况下，光学系统使用二极管泵浦固态 532 nm 激光器（GMP SA，0.3 W）[ 27 , 40]。首先使用针孔空间滤波器对激光束进行空间过滤。BS 用于将输入光束分离为样本光束和参考光束。使用像素尺寸为 8 μm、分辨率为 1,080 × 1,920 像素的反射式 LCOS 空间光调制器 (SLM)（Holoeye，VIS：400 至 700 nm）将样品光束以不同的入射角引导到样品上。通过在SLM上投射闪耀光栅来获得不同的照明角度。周期为 25 个像素（200 μm）的闪耀光栅以每度 1 个投影的分辨率循环旋转，总共 361 个投影（包括正入射）。SLM 和样品之间的两个 4f 系统允许过滤从 SLM 反射的更高阶（由于设备的填充因子和效率有限）以及放大 SLM 投影到样品上。使用NA 1.4的100×油浸物镜（Olympus，UPlanSapo，无限远校正，100×/0.17），200μm光栅对应的样品上的入射角为35°。照明侧的放大倍数由我们在样品之前使用的 4f 系统定义。样品之后的第三个 4f 系统包括 NA 1.45 的 100× 油浸物镜（奥林巴斯，PlanApo，无限远校正，100×/0.17）。样品和参考光束在第二个分束器上收集，并投射到像素尺寸为 6.5 μm、分辨率为 2,150 × 2,650 像素的科学 CMOS 相机 (Andor Neo) 上。

用于断层扫描重建的数值处理管道
为了在设置 A 和 B 中重建 3D RI 断层图像，在细胞周围选择一个感兴趣区域 (ROI)，同时沿着记录的全息序列内的微流体通道流动。从记录的全息图的傅立叶光谱中滤除不需要的衍射级项后，所得的复波前通过角谱方法沿光学z轴传播，以便重新聚焦成像细胞[ 41 ]。特别是，通过最小化传播的复波前振幅的 Tamura 系数 (TC) 来计算对焦距离 [ 42]。通过计算焦点内复场的参数来提取包裹相位图（WPM）。相位像差通过基于拟合的处理[ 43 ]（设置A）或通过减去在成像FoV中没有样本的情况下记录的参考全息图的WPM来补偿[ 44 ]（设置B）。然后，在设置 A 的情况下，所得到的无像差 WPM 通过 PEARLS 算法 [ 45 ]去噪和解包，而对于设置 B，WPM 通过 2D 窗口傅立叶变换滤波 [ 46 ] 去噪并通过 PUMA 解包算法[ 47 ]。然后，在计算其横向x后，将细胞置于其 ROI 中心，从而获得最终的定量相位图 (QPM) -通过加权质心法确定y位置[ 48 ]。为了实现断层扫描算法，相应的视角必须耦合到流动和滚动细胞的每个 QPM。然而，对于设置 A 和 B 的流入配置，该信息不是先验已知的；因此，必须根据数据进行估计。特别是，设置 A 中流动细胞的未知旋转角度是通过细胞生物透镜建模的 Zernike 系数计算的 [ 16 , 39 ]。相反，设置 B 中细胞的旋转角度是通过使用临时相位图像相似性度量来计算的 [ 49]。最后，通过 QPM 和相应的旋转角度组成的对输入滤波反投影 (FBP) 算法来计算细胞的断层扫描重建 [ 16 , 48]]。对于设置 C，通过对全息强度图像进行傅里叶变换，选择感兴趣的顺序，然后进行傅里叶逆变换，从强度图像中检索复数场。对所有投影重复此操作。然后使用傅立叶衍射理论基于 Rytov 近似来重建 3D RI 重建。后者作为学习断层扫描 (LT) 算法的初始猜测，通过最小化实验测量场与基于 Lippmann-Schwinger 方程的正演模型中检索的场之间的误差函数来迭代更新算法 [49 ]。图1报告了在流式细胞术条件（图1 A）和基于照明扫描的系统（图1 B）的情况下用于断层扫描数据记录的光学布置的草图，以及作为流程图的断层扫描重建的主要步骤。

3DZD 的数学公式
在光学成像中，泽尼克多项式通常用于研究和量化波前像差[ 50 ]，但最近它们被用来建模和分析活细胞的定量相位图像[ 51 ]。与 2D 情况类似，Zernike 多项式和相对系数（即 3DZD）的 3D 版本可用于表示单细胞 3D RI 分布。

一般来说，需要寻找形成完整正交系统的函数集，以允许构造在旋转变换下不变的矩和描述符。最简单的解决方案本质上是张量积公式，由 2 种成分组成。首先，需要选择一个定义在单位球面上的角度函数，该函数是正交的，并且在旋转群的作用下子空间不变。其次，通过保持正交性的适当径向函数来调制球面函数。在 3D Zernike 多项式的情况下，径向函数与 2D 情况下的相同，而角度函数是根据相关 Legendre 函数从球谐函数获得的 [ 36 , 37]]。有关方程 3D Zernike 基函数数学推导的所有详细信息。1和 3DZD 的计算在补充材料中报告。理论上，当且仅当N → ∞ 时，才能实现断层图像的精确重建，因此式（1）的左侧为：1与等号成立。当然，通过使用N的有限值只能获得断层图像的近似值。我们的目标是找到N的值，使得通过 3DZD 的重建尽可能忠实于真实情况T ( x）。为此，我们在 3DZD 重建和原始断层图像之间使用 NRMSE，并将所需保真度固定为 NRMSE < 1%，以保证准无损数据编码。

结果与讨论
所提出的方法在模拟断层扫描数据上的性能评估
通过使用尺寸为 50 × 50 × 50 像素的模拟断层摄影细胞模型，首次演示了 3DZD 再现断层摄影数据的能力，如图 2所示。我们将 3D Zernike 多项式固定为N = 30 阶，这对应于 5,456 个 Zernike 基函数和相关的 3DZD。特别是，图2A显示了模拟体模的等水平 RI 分布，其中 3 个插图报告了沿 3 个主要正交方向的中心切片。

请注意，对于高阶 Zernike 多项式（大于 20），微小的细节（即尺寸较小的子结构）变得可见，如图1 E 中的插图等值图像所突出显示的那样。电影S1显示了恢复的断层图像和相应的 NRMSE，当泽尼克多项式的阶数增加。当然，可以采用其他基于参考的相似性度量并用作保真度标准，因为 NRMSE 在某些情况下可能有偏差 [ 52]。目前，最常用的指标之一是结构相似性指数（SSIM）。SSIM 可以被认为是一种基于感知的度量，能够量化与处理的图像失真相关的结构信息，同时考虑亮度和对比度。其他常用的指标包括峰值信噪比 (PSNR)，用于量化有损压缩下图像的重建质量，以及平均绝对误差 (MAE)，用于估计一对图像之间所谓的绝对误差。图片。为了提供更深入的性能检查，我们复制了图2 E的相同分析，从而在 SSIM（图2 F）、PSNR（图2 G）的情况下通过 3DZD 量化断层扫描细胞模型恢复的保真度，和 MAE（图 1）2H）。我们在每个图的顶部都包含了N = 30情况下达到的保真度分数。值得指出的是，SSIM 和 MAE 作为 Zernike 阶数的函数表现出非单调趋势，对于低阶数不稳定。

为了进一步评估所提出方法的性能，在图3中，我们报告了在 2 种不同尺寸的模拟断层扫描细胞体模（即 50 × 50）的情况下，基于 3DZD 的表示和一些 3D DWT 之间的比较× 50 像素，用于图2中报告的结果，以及 100 × 100 × 100 像素。特别地，我们考虑 3 个小波基组，即 Symlet 4、Daubechies 4 和 Coiflet 4，最多 6 个分解级别。

其中符号#是量化集合基数的运算符。在图2结果的情况下，#pixels = 50 3且#3DZD = 5,456，因此导致空间节省= 95.64%，相应的NRMSE = 0.81%。图3 A 和 B 报告了 3DZD 编码方法（绿色虚线）和所考虑的 3D DWT 在 NRMSE 和空间节省方面的比较，在 #pixels = 的情况下，通过将分解级别从 1 更改为 6 50 3 . 请注意，为了达到 NRMSE < 1%，所有小波基函数都需要使用分解级别 1（图3 A），这对应于 3DZD 策略（图 3 A）的较低空间节省（82.44%）。3B）。

相反，为了保证大于 95% 的空间节省值，必须在大于 1 的分解级别上使用 3D DWT（图3 B），但相应的 NRMSE 增加至 2.94%（图3 A）。请注意，即使具有最高的分解级别，小波基 Coiflet 4 也无法超过大于 90% 的空间节省值。总之，所提出的 3DZD 表示在耦合指标 NRMSE 和空间节省方面显示出相对于所选 3D DWT 的卓越性能。在3个小波基组中，Symlet 4表现出最好的整体性能；因此，当模拟断层图像的大小增加到 #pixels = 100 3时，我们仅考虑这一点与 3DZD 方法进行比较。在这种情况下，从图从图 3 C 和 D 以及表1中，我们可以观察到 3DZD 方法实现了空间节省 = 99.45%，但仍然保留了 NRMSE = 0.95% 的保真度分数。相反，如表2所示，Symlet 4 可以在分解级别 1 上更好地逼近模拟体模 (NRMSE = 0.10%)（图3 E），但节省空间 85.11%（图3 F），而通过修复大于 99% 的空间节省（可通过分解级别 3 实现），只需达到 NRMSE = 3.19%。

实验层析数据验证所提出的方法
该方法的验证是在活细胞实验数据的情况下实现的，这些数据使用不同的断层摄影成像系统（即连续流记录和照明扫描采集）获取，并通过不同的断层重建算法（即传统的FBP）进行处理算法和LT方法[ 49 ]。在所有情况下，为了在 NRMSE 和目视检查方面进行公平比较，我们将原始断层扫描数据的空间分辨率设置为 50 × 50 × 50，并使用高达N = 30 阶的 3D Zernike 多项式，即计算#3DZD = 5,456 对应固定空间节省 = 95.64%。图4报告了使用 3DZD 恢复方法近似的 3 个准球形单元。

其中，左侧和中间的白细胞THP-1（图4A）和SKOV3卵巢癌细胞（图4B）是通过[ 24 ]中的设置B获取的，并用FBP方法（见图1A ），而图4C中酵母细胞的断层扫描数据是用设置C收集并用LT算法重建的（见图1B）。请注意，图4 A 和 B中细胞的 NRMSE保持 <1%，而图1 C中酵母细胞的近似值NRMSE = 1.80%。这主要是由于Δ的范围不同造成的这主要是由于ΔRI，是之前案例的两倍。当然，可以通过增加多项式阶数N将 NRMSE 的值推至低于所需的保真度分数。为了可视化恢复整个断层图像的准确性，我们还提供了影片S2至S4，分别报告了 THP-1、SKOV3 和酵母细胞的逐片重建。正如引言中所声称的，所提出的 3D Zernike 表示保证了非常高的编码性能，特别是对于如图4中具有类球对称性的对象。为了评估非球形细胞的性能，我们在图5中报告了 2 种不同细胞（即红细胞 (RBC)）的 3DZD 重建（图5A) 通过设置 A [ 16 ]记录，以及通过设置 B [ 24 ]获取的 2 个 SKNSH 神经母细胞瘤细胞簇。两张断层图均使用 FBP 方法重建。在这两种情况下，正如两个子图顶部的 NRMSE 值所报告的那样，仍然获得了显着的保真度分数。同样在这种情况下，影片S5和S6中分别报告了 RBC 和细胞簇的逐片重建。

结果报告在图1和图2中。图4和图5旨在证明所提出的3DZD表示能够高精度地近似细胞的断层扫描数据，并实现>95%的非常高的空间节省，对应于~22.9的数据压缩比。然而，对于细胞系表征，还需要证明使用 3DZD 的 1D 字符串代替原始 3D 断层图进行有效的断层数据操作。为了证明所提出方法的这一关键潜力，在图6中，我们报告了可以根据单细胞断层扫描数据计算的最常用形态特征的直方图比较

特别是，我们根据 NIH-3T3 小鼠细胞系的 66 个原始断层图（即地面真实图像）以及使用 3DZD 表示获得的相应重建来计算这些特征。我们实现 NRMSE NIH-3T3 = 1.55% ± 0.28%，计算为 66 个 3DZD 重建的平均 NRMSE 和相关标准偏差。电影S7显示所分析的 NIH-3T3 细胞之一的逐切片重建。请注意，每对直方图平均值之间的相对差异对于平均 RI 和干质量而言小于 0.5%，对于生物体积而言约为 2%，从而证明了所提出的方法在准确表示细胞系方面的有效性。当然，根据具体应用，如果需要高灵敏度，这些非常微小的差异可能会影响诊断过程。在这种情况下，泽尼克多项式阶数的增加超过在这种情况下，Zernike 多项式阶数超过N= 30 被要求尽可能提高断层图像近似保真度，即使预计会显着节省空间。总之，需要根据具体调查预先确定保真度和数据缩减率之间的权衡，旨在提前确定可以容忍的差异量。

结论
断层扫描数据编码研究亚细胞结构所需的所有信息，从而利用 RI 的 3D 分布作为内源生物标志物来识别单细胞水平的细胞器 [ 21 , 22]。然而，对于单细胞断层扫描的实验测量，人们可以期望存储从 GB 到 TB 的数据，而不考虑实现用于识别亚群和/或稀有细胞的高级算法所需的潜在高计算成本。一方面，这只能被认为是硬件限制，可以通过采用高性能计算机和图形处理单元来缓解。另一方面，所有面向芯片实验室的应用通常需要将软件安装到片上 SRAM 中并且内存占用较小，因此仍将被排除在新 TFC 技术和相关优势的大规模采用之外。在本文中，我们首次在 TPM 领域展示了：通过使用 Zernike 多项式的 3D 版本来压缩大数据单细胞断层图像的可能性，在准无损压缩模式中实现约 22.9 的数据压缩比和相应的空间节省 > 95%。事实上，我们展示了一种基于 NRMSE 的保真度标准，可以从 5,456 个 Zernike 描述符的序列中重建大小为 50 × 50 × 50 像素的断层扫描数据，信息损失可以忽略不计 (<1%)。我们已经证明，通过考虑不同的细胞系以及球形和非球形的情况，所提出的方法在不同的实验数据上效果很好。特别是，图 1 中报告的结果。我们展示了一种基于 NRMSE 的保真度标准，可以从 5,456 个 Zernike 描述符的序列中重建大小为 50 × 50 × 50 像素的断层扫描数据，信息损失可以忽略不计（<1%）。我们已经证明，通过考虑不同的细胞系以及球形和非球形的情况，所提出的方法在不同的实验数据上效果很好。特别是，图 1 中报告的结果。我们展示了一种基于 NRMSE 的保真度标准，可以从 5,456 个 Zernike 描述符的序列中重建大小为 50 × 50 × 50 像素的断层扫描数据，信息损失可以忽略不计（<1%）。我们已经证明，通过考虑不同的细胞系以及球形和非球形的情况，所提出的方法在不同的实验数据上效果很好。特别是，图 1 中报告的结果。图4C展示了对基于QPI的任何类型的断层图有效地采用所提出的方法的可能性，独立于TPM所采用的光学配置。基本上，由于 3D Zernike 多项式表示的数学通用性，我们相信所提出的方法可以有效地处理任何体积图像。通过展望未来的芯片实验室断层成像流式细胞术系统，技术突破涉及微流体模块的工程设计，即使借助更复杂的细胞操作解决方案，也能精确控制流动细胞的位置和旋转，例如多芯光纤的使用[ 53， 54]。相反，从计算的角度来看，这里报告的结果为存储、操作和处理体积图像的有效方法开辟了道路，特别是对于芯片实验室系统。我们相信，这里展示的结果将维持单细胞相差断层扫描“计算显微镜”范式的进一步发展。事实上，用相应的 3DZD 序列替换体积数据的可能性可以解决与无标记单细胞表型分析相关的临床挑战，目前的解决方案基于深度学习分类 [ 55]。原则上，通过所提出的方法，可以从深度 3D 图像分类切换到深度 1D 序列分类，保留相同程度的数据丰富度，并显着减少神经网络训练的内存和计算时间。最后，使用 3DZD 作为形态生物标志物来识别特定亚细胞结构的可能性可以作为 2D 案例的直接概括来实现，其中 Zernike 拟合用于表征细胞的畸变 [ 39]。此外，就像音频和视频文件压缩格式的引入促进了数十亿用户社区独立于他们可以访问的硬件资源的广泛共享一样，我们相信减轻细胞 3D 阶段的重量断层扫描将使这项技术得到最广泛的研究人员、生物学家和医生的广泛应用。