目前,牙齿的机械感觉系统部分依赖于Odontoblast细胞通过通过通过牙龈延伸的孔隙网络进行流体流动的刺激。 因此,可视化最小的亚微观孔隙血管需要从共聚焦荧光显微镜(当前的金标准)中获得最高的可实现分辨率。 这大大限制了视野的范围到非常小的样本区域。 为了克服这一限制,我们测试了不同的深度学习(DL)超分辨率(SR)模型,以允许更快地实验获取低分辨率图像,并通过后处理恢复最佳图像质量。 三个监督2D SR模型(RCAN,pix2pix,FSRCNN)和一个无监督(CycleGAN)应用于一组独特的实验配对的高分辨率和低分辨率共聚焦图像,获得不同的采样方案,导致像素大小增加x2,x4,x8。 使用广泛的相似性和基于分布的图像质量评估(IQA)指标量化了模型性能,结果不一致,这与我们的视觉感知大相悖。 这就提出了这种通用指标与有效靶向牙孔的特定结构的相关性的问题。 为了解决这些相互冲突的信息,对生成的SR图像进行了细分,考虑了孔隙网络的特定尺度和形态,并通过比较连接的组件进行了分析。 此外,还使用图形分析评估了SR模型在整个共聚焦图像堆栈中保持3D孔隙率连接的能力。 这种生物学驱动的评估允许对SR性能进行更好的机械性解释,突出了模型对弱强度特征的敏感性差异以及非线性在图像生成中的影响,这解释了标准IQA指标的失败。