論文の概要: Total Variation-Based Image Decomposition and Denoising for Microscopy Images
- arxiv url: http://arxiv.org/abs/2505.08843v1
- Date: Tue, 13 May 2025 14:14:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-15 21:44:09.255097
- Title: Total Variation-Based Image Decomposition and Denoising for Microscopy Images
- Title（参考訳）: 顕微鏡画像における全変量に基づく画像分解とデノイング
- Authors: Marco Corrias, Giada Franceschi, Michele Riva, Alberto Tampieri, Karin Föttinger, Ulrike Diebold, Thomas Pock, Cesare Franchini,
- Abstract要約: 実験的に取得された顕微鏡画像は、ノイズやその他の望ましくない信号の存在によって必然的に影響を受ける。
本研究は、全変動(TV)に基づくワークフローによる顕微鏡画像の分解と復調に焦点を当てたものである。
提案手法は,望ましくない信号成分を抽出し,生信号成分から抽出するか,あるいはノイズを除去することによって画像の復元を行う。
- 参考スコア（独自算出の注目度）: 6.178358125917281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Experimentally acquired microscopy images are unavoidably affected by the presence of noise and other unwanted signals, which degrade their quality and might hide relevant features. With the recent increase in image acquisition rate, modern denoising and restoration solutions become necessary. This study focuses on image decomposition and denoising of microscopy images through a workflow based on total variation (TV), addressing images obtained from various microscopy techniques, including atomic force microscopy (AFM), scanning tunneling microscopy (STM), and scanning electron microscopy (SEM). Our approach consists in restoring an image by extracting its unwanted signal components and subtracting them from the raw one, or by denoising it. We evaluate the performance of TV-$L^1$, Huber-ROF, and TGV-$L^1$ in achieving this goal in distinct study cases. Huber-ROF proved to be the most flexible one, while TGV-$L^1$ is the most suitable for denoising. Our results suggest a wider applicability of this method in microscopy, restricted not only to STM, AFM, and SEM images. The Python code used for this study is publicly available as part of AiSurf. It is designed to be integrated into experimental workflows for image acquisition or can be used to denoise previously acquired images.
- Abstract（参考訳）: 実験的に取得された顕微鏡画像は、ノイズやその他の望ましくない信号の存在によって必然的に影響を受け、品質を低下させ、関連する特徴を隠蔽する可能性がある。
近年,画像取得率の上昇に伴い,現代デノベーションと修復ソリューションの必要性が高まっている。
本研究では, 原子間力顕微鏡(AFM), 走査型トンネル顕微鏡(STM), 走査型電子顕微鏡(SEM)など, 様々な顕微鏡技術から得られた画像に対処する。
提案手法は,望ましくない信号成分を抽出し,生信号成分から抽出するか,あるいはノイズを除去することによって画像の復元を行う。
異なる研究事例において, TV-$L^1$, Huber-ROF, TGV-$L^1$ の評価を行った。
Huber-ROF が最も柔軟であることが証明され、TGV-$L^1$ が最もデノナイジングに適している。
以上の結果から,STM,AFM,SEM画像のみに限らず,この手法を顕微鏡で適用可能であることが示唆された。
この研究で使用されるPythonコードは、AiSurfの一部として公開されている。
画像取得のための実験的なワークフローに統合されるように設計されている。
関連論文リスト
- A Bi-channel Aided Stitching of Atomic Force Microscopy Images [3.533721662684487]
そこで本研究では,AFM生成バイオフィルム画像にバイチャネル支援機能を用いた画像縫合法を提案し,その応用を実証する。
我々は、AFMデータの振幅チャネルを用いてマッチング特性を最大化し、元の地形画像の位置を推定する。
このワークフローは, 不正な縫合による誤解析や発見を避けるために, 実験者にとって有益であると考えている。
論文 参考訳（メタデータ） (2025-03-11T04:46:21Z) - FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。
FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
論文 参考訳（メタデータ） (2024-12-13T10:45:25Z) - 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) - Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [45.62331048595689]
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) - LUCYD: A Feature-Driven Richardson-Lucy Deconvolution Network [0.31402652384742363]
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。
論文 参考訳（メタデータ） (2023-07-16T10:34:23Z) - 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) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - 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) - 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)
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。