論文の概要: LUCYD: A Feature-Driven Richardson-Lucy Deconvolution Network
- arxiv url: http://arxiv.org/abs/2307.07998v1
- Date: Sun, 16 Jul 2023 10:34:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 16:23:56.315701
- Title: LUCYD: A Feature-Driven Richardson-Lucy Deconvolution Network
- Title（参考訳）: LUCYD: 機能駆動型Richardson-Lucyデコンボリューションネットワーク
- Authors: Tom\'a\v{s} Chobola, Gesine M\"uller, Veit Dausmann, Anton Theileis,
Jan Taucher, Jan Huisken, Tingying Peng
- Abstract要約: 本稿では,ボリューム顕微鏡画像の復元手法であるLUCYDを提案する。
ルーシードはリチャードソン=ルーシーの脱畳み込み公式と、完全な畳み込みネットワークによって得られる深い特徴の融合を組み合わせた。
実験の結果,LUCYDは顕微鏡画像の解像度,コントラスト,全体的な画質を大幅に改善できることがわかった。
- 参考スコア（独自算出の注目度）: 0.31402652384742363
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The process of acquiring microscopic images in life sciences often results in
image degradation and corruption, characterised by the presence of noise and
blur, which poses significant challenges in accurately analysing and
interpreting the obtained data. This paper proposes LUCYD, a novel method for
the restoration of volumetric microscopy images that combines the
Richardson-Lucy deconvolution formula and the fusion of deep features obtained
by a fully convolutional network. By integrating the image formation process
into a feature-driven restoration model, the proposed approach aims to enhance
the quality of the restored images whilst reducing computational costs and
maintaining a high degree of interpretability. Our results demonstrate that
LUCYD outperforms the state-of-the-art methods in both synthetic and real
microscopy images, achieving superior performance in terms of image quality and
generalisability. We show that the model can handle various microscopy
modalities and different imaging conditions by evaluating it on two different
microscopy datasets, including volumetric widefield and light-sheet microscopy.
Our experiments indicate that LUCYD can significantly improve resolution,
contrast, and overall quality of microscopy images. Therefore, it can be a
valuable tool for microscopy image restoration and can facilitate further
research in various microscopy applications. We made the source code for the
model accessible under https://github.com/ctom2/lucyd-deconvolution.
- Abstract（参考訳）: 生命科学における微視的な画像を取得するプロセスは、しばしば画像の劣化と腐敗を引き起こし、ノイズとぼやけの存在によって特徴づけられる。
本稿では,Richardson-Lucyデコンボリューション公式と完全畳み込みネットワークで得られる深部特徴の融合を組み合わせた,体積顕微鏡画像の復元手法LUCYDを提案する。
画像形成過程を特徴駆動復元モデルに統合することにより,計算コストを低減し,高い解釈可能性を維持しつつ,復元画像の品質を高めることを目的とする。
以上の結果から,lucydは合成像と実像像の両方において最先端の手法を上回っており,画質と汎用性において優れた性能を得られた。
本モデルは,2つの異なる顕微鏡データセット上で,ボリュームワイドフィールドと光シート顕微鏡を用いて評価することにより,様々な顕微鏡モードや撮像条件を扱えることを示す。
実験の結果,LUCYDは顕微鏡画像の解像度,コントラスト,全体的な画質を大幅に改善できることがわかった。
したがって、顕微鏡画像の復元に有用なツールとなり、様々な顕微鏡応用の研究が容易になる。
私たちはモデルのソースコードをhttps://github.com/ctom2/lucyd-deconvolutionでアクセス可能にしました。
関連論文リスト
- Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳（メタデータ） (2023-10-16T13:58:53Z) - DeepContrast: Deep Tissue Contrast Enhancement using Synthetic Data
Degradations and OOD Model Predictions [6.550912532749276]
本稿では,顕微鏡画像のぼかしとコントラスト損失に対処する新しい手法を提案する。
まず, 深部組織画像劣化の近似モデルを用いて, 顕微鏡画像の品質をさらに劣化させた。
我々は、生成した生画像と劣化画像から、この劣化機能の逆転を学習するニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2023-08-16T13:40:01Z) - Phenotype-preserving metric design for high-content image reconstruction
by generative inpainting [0.0]
培養細胞の高濃度蛍光顕微鏡による画像修復法について検討した。
DeepFill V2やEdge Connectのようなアーキテクチャは、比較的少ないデータで微調整することで、顕微鏡イメージを忠実に復元できることを示します。
論文 参考訳（メタデータ） (2023-07-26T18:13:16Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Deep learning-based super-resolution fluorescence microscopy on small
datasets [20.349746411933495]
ディープラーニングは、技術的障壁を減らし、回折制限画像から超解像を得る可能性を示している。
本稿では,小型データセットと超解像画像の訓練を成功させた畳み込みニューラルネットワークに基づく新しいアプローチを示す。
このモデルは、大規模なトレーニングデータセットの取得が困難なMRIやX線イメージングなどの他のバイオメディカルイメージングモードに適用することができます。
論文 参考訳（メタデータ） (2021-03-07T03:17:47Z) - Reconstructing undersampled photoacoustic microscopy images using deep
learning [11.74890470096844]
アンサンプされたPAM画像の再構成にディープラーニングの原理を応用した新しい手法を提案する。
この結果から,PAM画像の再現性能は,元のピクセルの2%に満たないという結果が得られた。
論文 参考訳（メタデータ） (2020-05-30T12:39:52Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z) - Physics-enhanced machine learning for virtual fluorescence microscopy [3.7817498232858857]
本稿では, 仮想蛍光顕微鏡のための新しいデータ駆動顕微鏡設計法を提案する。
深層畳み込みニューラルネットワークの第1層に照明のモデルを含めることで、タスク固有のLEDパターンを学ぶことができる。
論文 参考訳（メタデータ） (2020-04-09T00:17:00Z)
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。