Fluorescence microscopy is a key driver of discoveries in the life-sciences, with observable phenomena being limited by the optics of the microscope, the chemistry of the fluorophores, and the maximum photon exposure tolerated by the sample. These limits necessitate trade-offs between imaging speed, spatial resolution, light exposure, and imaging depth. In this work we show how image restoration based on deep learning extends the range of biological phenomena observable by microscopy. On seven concrete examples we demonstrate how microscopy images can be restored even if 60-fold fewer photons are used during acquisition, how near isotropic resolution can be achieved with up to 10-fold under-sampling along the axial direction, and how tubular and granular structures smaller than the diffraction limit can be resolved at 20-times higher frame-rates compared to state-of-the-art methods. All developed image restoration methods are freely available as open source software in Python, F iji , and K nime .

Abstract Deep learning-based approaches are revolutionizing imaging-driven scientific research. However, the accessibility and reproducibility of deep learning-based workflows for imaging scientists remain far from sufficient. Several tools have recently risen to the challenge of democratizing deep learning by providing user-friendly interfaces to analyze new data with pre-trained or fine-tuned models. Still, few of the existing pre-trained models are interoperable between these tools, critically restricting a model’s overall utility and the possibility of validating and reproducing scientific analyses. Here, we present the BioImage Model Zoo ( https://bioimage.io ): a community-driven, fully open resource where standardized pre-trained models can be shared, explored, tested, and downloaded for further adaptation or direct deployment in multiple end user-facing tools (e.g., ilastik, deepImageJ, QuPath, StarDist, ImJoy, ZeroCostDL4Mic, CSBDeep). To enable everyone to contribute and consume the Zoo resources, we provide a model standard to enable cross-compatibility, a rich list of example models and practical use-cases, developer tools, documentation, and the accompanying infrastructure for model upload, download and testing. Our contribution aims to lay the groundwork to make deep learning methods for microscopy imaging findable, accessible, interoperable, and reusable (FAIR) across software tools and platforms.

Abstract Determining the spatial organization and morphological characteristics of molecularly defined cell types is a major bottleneck for characterizing the architecture underpinning brain function. We developed E xpansion- As sisted Iterative F luorescence In S itu H ybridization (EASI-FISH) to survey gene expression in brain tissue, as well as a turnkey computational pipeline to rapidly process large EASI-FISH image datasets. EASI-FISH was optimized for thick brain sections (300 µm) to facilitate reconstruction of spatio-molecular domains that generalize across brains. Using the EASI-FISH pipeline, we investigated the spatial distribution of dozens of molecularly defined cell types in the lateral hypothalamic area (LHA), a brain region with poorly defined anatomical organization. Mapping cell types in the LHA revealed nine novel spatially and molecularly defined subregions. EASI-FISH also facilitates iterative re-analysis of scRNA-Seq datasets to determine marker-genes that further dissociated spatial and morphological heterogeneity. The EASI-FISH pipeline democratizes mapping molecularly defined cell types, enabling discoveries about brain organization. Highlights - EASI-FISH enables robust gene expression profiling in thick brain slices - A turnkey analysis pipeline for facile analysis of large EASI-FISH image datasets - EASI-FISH reveals novel subregions of the lateral hypothalamus - Identification of rare cell types based on morphological and spatial heterogeneity

The realization of Industrie 4.0 potential depends on the utilization of digital twins, commonly implemented as Asset Administration Shells. AAS provides a strong framework for describing assets and their functionalities, and is expected to become a key component of digital twin for embedded systems. In the fields of Industrial Cyber Physical Systems and Industrial Internet Of Things, AAS serves as a bridge between microcontroller and high-performance systems.Current Software Development Kits for AAS focus rather on cloud and PC applications. Building on top of transpilation-based approaches, we explore novel ways how to adapt the SDKs for AAS in order to bring them to industrial embedded systems. Our method is designed to streamline the development process in particular for micro-controller and Industrial Control Systems contexts.