L’imaging in microscopia a fluorescenza comporta un’ampia gamma di problemi inversi in cui è necessario ricostruire rappresentazioni significative dei campioni biologici a partire da misurazioni incomplete e rumorose. Questi problemi sono intrinsecamente mal posti e portano a soluzioni molto sensibili a piccole perturbazioni. Gli approcci basati su modelli esistenti si basano sulla conoscenza esperta delle procedure di ricostruzione sottostanti per garantire la stabilità, nonché su metodi di ottimizzazione artigianali, il che limita la loro applicabilità pratica. Il progetto MALIN, finanziato dal CER, affronta queste limitazioni sviluppando una struttura integrativa che combina metodi basati su modelli con tecniche di apprendimento profondo guidate dai dati. Dal punto di vista metodologico, il progetto si concentra su approcci orientati all’ottimizzazione che incorporano le conoscenze fisiche disponibili e tengono conto delle imprecisioni della modellazione. I metodi risultanti migliorano l’efficienza, l’accuratezza e l’efficacia dei costi e sono diffusi attraverso strumenti software open-source.