論文の概要: In silico Deep Learning Protocols for Label-Free Super-Resolution Microscopy: A Comparative Study of Network Architectures and SNR Dependence

• arxiv url: http://arxiv.org/abs/2509.21376v1
• Date: Tue, 23 Sep 2025 07:32:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.884681
• Title: In silico Deep Learning Protocols for Label-Free Super-Resolution Microscopy: A Comparative Study of Network Architectures and SNR Dependence
• Title（参考訳）: ラベルフリー超解像顕微鏡のためのシリコンディープラーニングプロトコル:ネットワークアーキテクチャとSNR依存性の比較検討
• Authors: Shiraz S Kaderuppan, Jonathan Mar, Andrew Irvine, Anurag Sharma, Muhammad Ramadan Saifuddin, Wai Leong Eugene Wong, Wai Lok Woo,
• Abstract要約: 光学顕微鏡学者によってしばしば引用される重要な制限は、横方向の分解能の限界を指す。 本研究は,超高分解能(SR)光学顕微鏡の実現に向けた代替的,経済的アプローチを評価することを目的とする。
• 参考スコア（独自算出の注目度）: 6.165323448459655
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The field of optical microscopy spans across numerous industries and research domains, ranging from education to healthcare, quality inspection and analysis. Nonetheless, a key limitation often cited by optical microscopists refers to the limit of its lateral resolution (typically defined as ~200nm), with potential circumventions involving either costly external modules (e.g. confocal scan heads, etc) and/or specialized techniques [e.g. super-resolution (SR) fluorescent microscopy]. Addressing these challenges in a normal (non-specialist) context thus remains an aspect outside the scope of most microscope users & facilities. This study thus seeks to evaluate an alternative & economical approach to achieving SR optical microscopy, involving non-fluorescent phase-modulated microscopical modalities such as Zernike phase contrast (PCM) and differential interference contrast (DIC) microscopy. Two in silico deep neural network (DNN) architectures which we developed previously (termed O-Net and Theta-Net) are assessed on their abilities to resolve a custom-fabricated test target containing nanoscale features calibrated via atomic force microscopy (AFM). The results of our study demonstrate that although both O-Net and Theta-Net seemingly performed well when super-resolving these images, they were complementary (rather than competing) approaches to be considered for image SR, particularly under different image signal-to-noise ratios (SNRs). High image SNRs favoured the application of O-Net models, while low SNRs inclined preferentially towards Theta-Net models. These findings demonstrate the importance of model architectures (in conjunction with the source image SNR) on model performance and the SR quality of the generated images where DNN models are utilized for non-fluorescent optical nanoscopy, even where the same training dataset & number of epochs are being used.
• Abstract（参考訳）: 光学顕微鏡の分野は、教育から医療、品質検査、分析まで、多くの産業や研究領域にまたがっている。 しかしながら、光学顕微鏡学者によってしばしば引用される重要な制限は、その横分解能(通常、200nmと定義される)の限界であり、コストのかかる外部モジュール(例えば、共焦点走査ヘッドなど)や特殊な技術(例えば、超解像(SR)蛍光顕微鏡)を含む潜在的な回避である。 したがって、通常の(特殊でない)コンテキストでこれらの課題に対処することは、ほとんどの顕微鏡使用者や施設の範囲外である。 そこで本研究では,Zernike 位相コントラスト (PCM) や差分差コントラスト (DIC) 顕微鏡のような非蛍光位相変調顕微鏡を用いた,SR光顕微鏡の代替的,経済的アプローチについて検討する。 従来開発した2種類のシリコンディープニューラルネットワーク(DNN)アーキテクチャ(O-NetとTheta-Net)を,原子間力顕微鏡(AFM)で校正したナノスケール機能を含むカスタムファブリックテストターゲットの解決能力に基づいて評価した。 以上の結果から,O-Net と Theta-Net はどちらも画像の超解法において良好に機能したように見えるが,画像SR,特に画像信号-雑音比(SNR)の相補的なアプローチであったことが示唆された。 画像SNRはO-Netモデルを好んだが、低SNRはTheta-Netモデルを好んだ。 これらの結果から,DNNモデルを用いた非蛍光光ナノスコープにおいて,モデルアーキテクチャ(ソース画像SNRとともに)がモデル性能およびSR品質に与える影響が示唆された。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Solving the inverse problem of microscopy deconvolution with a residual Beylkin-Coifman-Rokhlin neural network [1.7916466820108048]
  光顕微鏡(LM)における従来の明示的手法は、画像取得時に点拡散関数(PSF)に依存する。 本稿では、光学デコンボリューションを近似するために、革新的な物理インフォームドニューラルネットワークであるMulti-Stage Residual-BCR Net(m-rBCR)を提案する。 明示的なデコンボリューション法(例えばリチャードソン=ルーシー)や他の最先端NNモデルとは対照的に、m-rBCRモデルは他の候補よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-03T16:09:59Z)
• Cross-system biological image quality enhancement based on the generative adversarial network as a foundation for establishing a multi-institute microscopy cooperative network [0.5235143203977018]
  生物学的システムの高品質蛍光イメージングは、光漂白や光毒性といったプロセスによって制限される。 本稿では,2つの異なる顕微鏡システム間のコントラスト伝達のためのGAN(Generative-Adversarial Network)を提案する。 このような転送が可能であることを実証し、低平均二乗誤差(MSE)、高構造類似度指数(SSIM)、高ピーク信号-雑音比(PSNR)を特徴とするHQ生成画像の受信を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T18:23:31Z)
• Deep Learning Enables Large Depth-of-Field Images for Sub-Diffraction-Limit Scanning Superlens Microscopy [16.152554659134246]
  深層学習を用いて、光学超解像(OSR)画像と走査電子顕微鏡領域画像とのマッピング関係を得る。 提案手法は, チップレベルの欠陥検出, 生物学的試料分析, 法医学, その他の様々な分野に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-27T09:16:56Z)
• 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・ディベサール・ネットワーク(cGAN)アーキテクチャを用いて,ヒト・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)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• 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)

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。