論文の概要: Enhancing Deep Learning Based Structured Illumination Microscopy Reconstruction with Light Field Awareness

• arxiv url: http://arxiv.org/abs/2503.11640v1
• Date: Fri, 14 Mar 2025 17:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:06:15.996771
• Title: Enhancing Deep Learning Based Structured Illumination Microscopy Reconstruction with Light Field Awareness
• Title（参考訳）: 光場認識による深層学習による構造イルミネーション顕微鏡再構成の強化
• Authors: Long-Kun Shan, Ze-Hao Wang, Tong-Tian Weng, Xiang-Dong Chen, Fang-Wen Sun,
• Abstract要約: 本稿では,データ分散シフトによる誤差を補正するために,実際の光場を直接推定するAL-SIM(Awareness-of-Light-field SIM)再構成手法を提案する。 本手法は,正規化ルート平均二乗誤差(NRMSE)を7%低減し,再建アーチファクトを大幅に低減することを示す。
• 参考スコア（独自算出の注目度）: 7.2529846338268475
• License:
• Abstract: Structured illumination microscopy (SIM) is a pivotal technique for dynamic subcellular imaging in live cells. Conventional SIM reconstruction algorithms depend on accurately estimating the illumination pattern and can introduce artefacts when this estimation is imprecise. Although recent deep learning-based SIM reconstruction methods have improved speed, accuracy, and robustness, they often struggle with out-of-distribution data. To address this limitation, we propose an Awareness-of-Light-field SIM (AL-SIM) reconstruction approach that directly estimates the actual light field to correct for errors arising from data distribution shifts. Through comprehensive experiments on both simulated filament structures and live BSC1 cells, our method demonstrates a 7% reduction in the normalized root mean square error (NRMSE) and substantially lowers reconstruction artefacts. By minimizing these artefacts and improving overall accuracy, AL-SIM broadens the applicability of SIM for complex biological systems.
• Abstract（参考訳）: 構造照明顕微鏡(Structured LED microscopy, SIM)は、生体細胞における動的細胞内イメージングのための重要な技術である。 従来のSIM再構成アルゴリズムは、照明パターンを正確に推定することに依存しており、この推定が不正確である場合にアーチファクトを導入することができる。 近年の深層学習に基づくSIM再構成手法は, 速度, 精度, 堅牢性を向上しているが, アウト・オブ・ディストリビューションデータに苦慮することが多い。 この制限に対処するため,データ分散シフトによる誤差を補正するために,実際の光場を直接推定するアウェアネス・オブ・ライトフィールドSIM (AL-SIM) 再構成手法を提案する。 シミュレーションフィラメント構造と生きたBSC1細胞の両方に関する包括的な実験により, 正規化根平均二乗誤差(NRMSE)が7%減少し, 再建アーチファクトを著しく低下させることを示した。 これらのアーティファクトを最小化し、全体的な精度を向上させることで、AL-SIMは複雑な生物学的システムに対するSIMの適用範囲を広げる。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Sim2Real in Reconstructive Spectroscopy: Deep Learning with Augmented Device-Informed Data Simulation [23.24059547710097]
  本研究は、再構成分光におけるスペクトル信号再構成のためのディープラーニングフレームワークであるSim2Realを提案する。 これは、デバイスインフォームド・シミュレートされたデータのみをトレーニングに利用できる極端な設定の下で、現実世界のスペクトル信号を再構築するという課題に焦点を当てている。
  論文  参考訳（メタデータ） (2024-03-19T01:58:14Z)
• Untrained, physics-informed neural networks for structured illumination microscopy [0.456877715768796]
  我々は、深層ニューラルネットワークと構造化照明プロセスの前方モデルを組み合わせることで、トレーニングデータなしでサブ回折像を再構成できることを示す。 結果として生じる物理インフォームドニューラルネットワーク(PINN)は、単一の回折制限されたサブイメージセットに最適化することができる。
  論文  参考訳（メタデータ） (2022-07-15T19:02:07Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Spatio-temporal Vision Transformer for Super-resolution Microscopy [2.8348950186890467]
  構造照明顕微鏡(Structured illumination microscopy, SIM)は、光学的超解像技術であり、回折限界を超えるライブセルイメージングを可能にする。 シフトした3次元ウィンドウマルチヘッドアテンションを用いたトランスフォーマーベースの新しい再構成手法 VSR-SIM を提案する。 SIMの時間分解能を9倍に向上させるローリングSIM画像と呼ばれるVSR-SIMのユースケースを実演する。
  論文  参考訳（メタデータ） (2022-02-28T19:01:10Z)
• Fast and Light-Weight Network for Single Frame Structured Illumination Microscopy Super-Resolution [22.953512091536663]
  深層学習に基づく単一フレーム構造照明顕微鏡(SF-SIM)を提案する。 提案手法は, 従来のSIM法に比べてほぼ14倍高速である。
  論文  参考訳（メタデータ） (2021-11-17T13:39:41Z)
• 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)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Investigating the Scalability and Biological Plausibility of the Activation Relaxation Algorithm [62.997667081978825]
  アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。 このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。 また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
  論文  参考訳（メタデータ） (2020-10-13T08:02:38Z)
• ML-SIM: A deep neural network for reconstruction of structured illumination microscopy images [0.0]
  構造照明顕微鏡 (SIM) は, 光学超高分解能イメージングにおいて重要な技術となっている。 本稿では機械学習を利用した多目的再構成手法ML-SIMを提案する。 したがって、ML-SIMは生のSIM入力フレームの照明パターンにおけるノイズや不規則に対して堅牢である。
  論文  参考訳（メタデータ） (2020-03-24T18:42:23Z)

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。