論文の概要: Learned Single-Pixel Fluorescence Microscopy

• arxiv url: http://arxiv.org/abs/2507.18740v1
• Date: Thu, 24 Jul 2025 18:40:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-28 16:16:48.721843
• Title: Learned Single-Pixel Fluorescence Microscopy
• Title（参考訳）: 単結晶蛍光顕微鏡の応用
• Authors: Serban C. Tudosie, Valerio Gandolfi, Shivaprasad Varakkoth, Andrea Farina, Cosimo D'Andrea, Simon Arridge,
• Abstract要約: 自己超越を通じてオートエンコーダを訓練し、エンコーダ(または測定行列)とデコーダを学習する。 次に、物理的に取得した多重スペクトルおよび強度データで試す。 本手法は, 蛍光顕微鏡における単画素像の再現時間を2桁に短縮し, 撮像精度を向上する。
• 参考スコア（独自算出の注目度）: 1.6124270628628687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-pixel imaging has emerged as a key technique in fluorescence microscopy, where fast acquisition and reconstruction are crucial. In this context, images are reconstructed from linearly compressed measurements. In practice, total variation minimisation is still used to reconstruct the image from noisy measurements of the inner product between orthogonal sampling pattern vectors and the original image data. However, data can be leveraged to learn the measurement vectors and the reconstruction process, thereby enhancing compression, reconstruction quality, and speed. We train an autoencoder through self-supervision to learn an encoder (or measurement matrix) and a decoder. We then test it on physically acquired multispectral and intensity data. During acquisition, the learned encoder becomes part of the physical device. Our approach can enhance single-pixel imaging in fluorescence microscopy by reducing reconstruction time by two orders of magnitude, achieving superior image quality, and enabling multispectral reconstructions. Ultimately, learned single-pixel fluorescence microscopy could advance diagnosis and biological research, providing multispectral imaging at a fraction of the cost.
• Abstract（参考訳）: 単画素イメージングは蛍光顕微鏡において重要な技術として現れており、高速な取得と再構成が重要である。 この文脈では、画像は線形圧縮された測定値から再構成される。 実際には、全変動最小化は、直交サンプリングパターンベクトルと原画像データの間の内積のノイズ測定から画像の再構成に使われている。 しかし、データを利用して測定ベクトルと再構成過程を学習し、圧縮、復元品質、速度を向上させることができる。 自己超越を通じてオートエンコーダを訓練し、エンコーダ(または測定行列)とデコーダを学習する。 次に、物理的に取得した多重スペクトルおよび強度データで試す。 取得中、学習したエンコーダは物理装置の一部となる。 本手法は, 蛍光顕微鏡における単画素像の撮影時間を2桁に短縮し, 画質を向上し, マルチスペクトル再構成が可能となる。 最終的に、学習した単画素蛍光顕微鏡は診断と生物学的研究を前進させ、コストのごく一部でマルチスペクトル画像を提供する。

関連論文リスト

• Direct Image Classification from Fourier Ptychographic Microscopy Measurements without Reconstruction [7.084713296739152]
  畳み込みニューラルネットワーク(CNN)は、測定シーケンスから意味のある情報を抽出することができる。 複数の生測値の学習多重化により、データの量を削減するとともに、分類精度を維持できることを実証する。
  論文  参考訳（メタデータ） (2025-05-08T08:46:28Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• 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)
• Joint Optimization of Hadamard Sensing and Reconstruction in Compressed Sensing Fluorescence Microscopy [9.210673747947165]
  本論文では, 全測定制約下でのセンシングと再構成を協調的に最適化する手法を提案する。 私たちは、共焦点、2光子、広視野顕微鏡画像の豊富なデータセットでモデルをトレーニングします。
  論文  参考訳（メタデータ） (2021-05-17T15:42:28Z)
• Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network [0.0]
  深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。 提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
  論文  参考訳（メタデータ） (2021-05-01T14:54:57Z)
• Time-Multiplexed Coded Aperture Imaging: Learned Coded Aperture and Pixel Exposures for Compressive Imaging Systems [56.154190098338965]
  提案した時間多重符号化開口(TMCA)をエンドツーエンドで最適化できることを示した。 tmcaは圧縮光野イメージングとハイパースペクトルイメージングの2つの異なる応用において、より良いコード化されたスナップショットを誘導する。 この凝固法は、最先端の圧縮画像システムよりも4dB以上性能が高い。
  論文  参考訳（メタデータ） (2021-04-06T22:42:34Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Holographic image reconstruction with phase recovery and autofocusing using recurrent neural networks [8.040329271747753]
  デジタルホログラフィーは、バイオメディカルイメージングで最も広く使用されている顕微鏡技術の1つです。 ホログラムの欠落相情報の回復はホログラム画像再構成の重要なステップである。 ここでは、畳み込みリカレントニューラルネットワークに基づく位相回復手法を示す。
  論文  参考訳（メタデータ） (2021-02-12T01:51:43Z)
• AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from Sparse Data [1.7237160821929758]
  光音響イメージングは、従来の光学イメージング技術よりもはるかに大きな深さでの光吸収の高コントラスト画像を得ることができる。 本稿では,スパースPA生データをニューラルネットワークに適したものにするために,新しい信号処理手法を提案する。 次に,多機能核融合を用いたPA再構成のためのアテンションステアリングネットワーク(AS-Net)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T03:49:30Z)

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。