論文の概要: Convolutional Neural Network Denoising in Fluorescence Lifetime Imaging
Microscopy (FLIM)
- arxiv url: http://arxiv.org/abs/2103.05448v1
- Date: Sun, 7 Mar 2021 03:27:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 08:43:08.736203
- Title: Convolutional Neural Network Denoising in Fluorescence Lifetime Imaging
Microscopy (FLIM)
- Title(参考訳): 蛍光ライフタイムイメージング顕微鏡(FLIM)における畳み込みニューラルネットワーク
- Authors: Varun Mannam, Yide Zhang, Xiaotong Yuan, Takashi Hato, Pierre C.
Dagher, Evan L. Nichols, Cody J. Smith, Kenneth W. Dunn, and Scott Howard
- Abstract要約: 蛍光寿命イメージング顕微鏡(FLIM)システムは、その遅い処理速度、低信号対雑音比(SNR)、および高価で困難なハードウェアセットアップによって制限されています。
そこで本研究では,FLIM SNRを改善するために畳み込み畳み込みネットワークを適用した。
ネットワークは、アナログ信号処理に基づく高速なデータ取得、高効率パルス変調を用いた高SNR、オフザシェルフ無線周波数成分を用いたコスト効率実装を備えたインスタントFLIMシステムと統合される。
- 参考スコア(独自算出の注目度): 16.558653673949838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fluorescence lifetime imaging microscopy (FLIM) systems are limited by their
slow processing speed, low signal-to-noise ratio (SNR), and expensive and
challenging hardware setups. In this work, we demonstrate applying a denoising
convolutional network to improve FLIM SNR. The network will be integrated with
an instant FLIM system with fast data acquisition based on analog signal
processing, high SNR using high-efficiency pulse-modulation, and cost-effective
implementation utilizing off-the-shelf radio-frequency components. Our instant
FLIM system simultaneously provides the intensity, lifetime, and phasor plots
\textit{in vivo} and \textit{ex vivo}. By integrating image denoising using the
trained deep learning model on the FLIM data, provide accurate FLIM phasor
measurements are obtained. The enhanced phasor is then passed through the
K-means clustering segmentation method, an unbiased and unsupervised machine
learning technique to separate different fluorophores accurately. Our
experimental \textit{in vivo} mouse kidney results indicate that introducing
the deep learning image denoising model before the segmentation effectively
removes the noise in the phasor compared to existing methods and provides
clearer segments. Hence, the proposed deep learning-based workflow provides
fast and accurate automatic segmentation of fluorescence images using instant
FLIM. The denoising operation is effective for the segmentation if the FLIM
measurements are noisy. The clustering can effectively enhance the detection of
biological structures of interest in biomedical imaging applications.
- Abstract(参考訳): 蛍光寿命イメージング顕微鏡(FLIM)システムは、その遅い処理速度、低信号対雑音比(SNR)、および高価で困難なハードウェアセットアップによって制限されています。
そこで本研究では,FLIM SNRを改善するために畳み込み畳み込みネットワークを適用した。
ネットワークは、アナログ信号処理に基づく高速なデータ取得、高効率パルス変調を用いた高SNR、オフザシェルフ無線周波数成分を用いたコスト効率実装を備えたインスタントFLIMシステムと統合される。
我々のインスタントFLIMシステムは同時に、強度、寿命、薬理プロット \textit{in vivo} と \textit{ex vivo} を提供する。
FLIMデータに訓練されたディープラーニングモデルを用いて画像の復調を統合することにより、正確なFLIMファサー計測が得られる。
K平均クラスタリングセグメンテーション(K-means clustering segmentation)法は、異なる蛍光体を正確に分離する、偏見のない教師なしの機械学習技術である。
マウスの腎臓実験では, セグメント化前に深層学習画像の認知モデルを導入することで, 既存の方法と比較して, ファーザーのノイズを効果的に除去し, より明瞭なセグメントを提供することが示された。
そこで,提案する深層学習に基づくワークフローは,インスタントflimを用いた蛍光画像の自動セグメンテーションを高速かつ高精度に実現する。
FLIM測定がノイズの多い場合, 除音操作はセグメンテーションに有効である。
クラスタリングは、バイオメディカルイメージングアプリケーションに関心のある生物学的構造の検出を効果的に強化できます。
関連論文リスト
- Enhanced Confocal Laser Scanning Microscopy with Adaptive Physics Informed Deep Autoencoders [0.0]
共焦点レーザー走査顕微鏡の限界に対処する物理インフォームド・ディープラーニング・フレームワークを提案する。
このモデルは、畳み込み層と転置畳み込み層を用いて、ノイズの多い入力から高忠実度画像を再構成する。
論文 参考訳(メタデータ) (2025-01-24T18:32:34Z) - Self-Supervised Diffusion MRI Denoising via Iterative and Stable Refinement [20.763457281944834]
ディフュージョン (Di-Fusion) は、後者の拡散ステップと適応サンプリングプロセスを利用する、完全に自己制御された分極法である。
実データおよびシミュレーションデータを用いた実験により, マイクロ構造モデリング, トラクトグラフィー追跡, その他の下流タスクにおいて, ディフュージョンが最先端の性能を達成することを示す。
論文 参考訳(メタデータ) (2025-01-23T10:01:33Z) - SPADE: Spectroscopic Photoacoustic Denoising using an Analytical and Data-free Enhancement Framework [11.207669560907187]
sPA画像はノイズの影響を受けやすいため、信号対雑音比(SNR)が低く、画質が損なわれる。
フレーム平均化のような従来の denoising 技術は SNR の改善に有効だが、ダイナミックイメージングのシナリオでは実用的ではない。
本研究では,SPA画像のノイズ化のためのSPADEフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-16T18:42:05Z) - Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳(メタデータ) (2024-12-10T15:25:18Z) - Speeding up Photoacoustic Imaging using Diffusion Models [0.0]
光音響顕微鏡(PAM)は、光学的および音響的イメージングを統合し、組織内の光学吸収成分を検出するための浸透深度を向上させる。
レーザーパルス繰り返し速度による速度制限により、計算手法の潜在的な役割は、PAMイメージングの加速において強調される。
PAM画像の高速化に拡散モデルを用いた,新しい高適応DiffPamアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-14T11:34:27Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳(メタデータ) (2023-05-17T13:56:48Z) - Fluctuation-based deconvolution in fluorescence microscopy using
plug-and-play denoisers [2.236663830879273]
蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。
この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
論文 参考訳(メタデータ) (2023-03-20T15:43:52Z) - Improving Blind Spot Denoising for Microscopy [73.94017852757413]
自己監督型認知の質を向上させる新しい方法を提案する。
我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
論文 参考訳(メタデータ) (2020-08-19T13:06:24Z) - Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。
この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。
その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
論文 参考訳(メタデータ) (2020-04-15T15:46:09Z) - ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-03-04T08:36:27Z) - Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological
Reconstruction and Wavelet frames [146.63177174491082]
Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。
特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。
合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
論文 参考訳(メタデータ) (2020-02-14T10:00:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。