論文の概要: Learned, uncertainty-driven adaptive acquisition for photon-efficient scanning microscopy

• arxiv url: http://arxiv.org/abs/2310.16102v2
• Date: Mon, 24 Mar 2025 15:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:28:39.404320
• Title: Learned, uncertainty-driven adaptive acquisition for photon-efficient scanning microscopy
• Title（参考訳）: 光子効率走査顕微鏡の学習・不確実性による適応的取得
• Authors: Cassandra Tong Ye, Jiashu Han, Kunzan Liu, Anastasios Angelopoulos, Linda Griffith, Kristina Monakhova, Sixian You,
• Abstract要約: 走査型顕微鏡システムにおいて,画素単位の不確実性を同時に認識し,予測する手法を提案する。 実験的な共焦点・多光子顕微鏡システムにおいて,不確実性マップが深層学習予測における幻覚を識別できることを実証した。
• 参考スコア（独自算出の注目度）: 12.356716251834566
• License:
• Abstract: Scanning microscopy systems, such as confocal and multiphoton microscopy, are powerful imaging tools for probing deep into biological tissue. However, scanning systems have an inherent trade-off between acquisition time, field of view, phototoxicity, and image quality, often resulting in noisy measurements when fast, large field of view, and/or gentle imaging is needed. Deep learning could be used to denoise noisy microscopy measurements, but these algorithms can be prone to hallucination, which can be disastrous for medical and scientific applications. We propose a method to simultaneously denoise and predict pixel-wise uncertainty for scanning microscopy systems, improving algorithm trustworthiness and providing statistical guarantees for deep learning predictions. Furthermore, we propose to leverage this learned, pixel-wise uncertainty to drive an adaptive acquisition technique that rescans only the most uncertain regions of a sample, saving time and reducing the total light dose to the sample. We demonstrate our method on experimental confocal and multiphoton microscopy systems, showing that our uncertainty maps can pinpoint hallucinations in the deep learned predictions. Finally, with our adaptive acquisition technique, we demonstrate up to 16X reduction in acquisition time and total light dose while successfully recovering fine features in the sample and reducing hallucinations. We are the first to demonstrate distribution-free uncertainty quantification for a denoising task with real experimental data and the first to propose adaptive acquisition based on reconstruction uncertainty.
• Abstract（参考訳）: 共焦点顕微鏡や多光子顕微鏡のような走査型顕微鏡システムは、生体組織に深く入り込む強力なイメージングツールである。 しかし、走査システムは、取得時間、視野、光毒性、画像品質と固有のトレードオフを持ち、しばしば、高速で広い視野、または穏やかな画像を必要とするときにノイズ測定を行う。 ディープ・ラーニングはノイズの多い顕微鏡計測に応用できるが、これらのアルゴリズムは幻覚を起こす傾向があり、医学や科学の分野では破滅的な結果をもたらす可能性がある。 本稿では,顕微鏡システムにおける画素単位の不確実性を同時に認識・予測し,アルゴリズムの信頼性を向上し,深層学習予測のための統計的保証を提供する手法を提案する。 さらに、この学習された画素単位の不確実性を利用して、試料の最も不確実な領域のみをスキャンし、時間を節約し、試料への全光線量を削減する適応的取得手法を提案する。 実験的な共焦点・多光子顕微鏡システムにおいて,不確実性マップが深層学習予測における幻覚を識別できることを実証した。 最後に, 適応的獲得手法により, 試料中の微細な特徴を回復し, 幻覚を低減しつつ, 取得時間と全光線量を最大16倍に削減できることを示した。 我々は,実実験データを用いた復調作業における分布自由不確実性定量化を初めて実施し,再構成不確実性に基づく適応的獲得を提案する。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Compressive Ptychography using Deep Image and Generative Priors [9.658250977094562]
  Ptychographyは、ナノメートルスケールでサンプルの非侵襲的なイメージングを可能にする、よく確立されたコヒーレント回折イメージング技術である。 Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間である。 本稿では,深部画像先行と深部画像先行とを組み合わせた生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-05T02:18:26Z)
• Image-to-Image Regression with Distribution-Free Uncertainty Quantification and Applications in Imaging [88.20869695803631]
  真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。 画像から画像への回帰を3つのタスクで評価する。
  論文  参考訳（メタデータ） (2022-02-10T18:59:56Z)
• De-Noising of Photoacoustic Microscopy Images by Deep Learning [0.9786690381850356]
  光音響顕微鏡(PAM)画像は、レーザー強度の最大許容露光、組織内の超音波の減衰、トランスデューサ固有のノイズによってノイズに悩まされる。 そこで本研究では,PAM画像から複雑なノイズを取り除くための深層学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2022-01-12T05:13:57Z)
• 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)
• 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)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Distributed optimization for nonrigid nano-tomography [0.40631409309544836]
  本研究では,ナノスケールの試料の投影アライメント,アンワーピング,正規化を併用した共同解析器を提案する。 投影データの一貫性は、ファーンバックのアルゴリズムによって推定される密度の高い光流によって制御され、より少ないアーティファクトで鋭いサンプル再構成をもたらす。
  論文  参考訳（メタデータ） (2020-07-11T19:22:43Z)
• Photoacoustic Microscopy with Sparse Data Enabled by Convolutional Neural Networks for Fast Imaging [0.9786690381850356]
  光音響顕微鏡(PAM)は近年,バイオメディカルイメージング技術として期待されている。 サンプリング密度の低減は、画像品質の犠牲となる画像取得時間を自然に短縮することができる。 本稿では,畳み込みニューラルネットワーク(CNN)を用いたスパースPAM画像の品質向上手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T05:49:32Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。