論文の概要: Biology-driven assessment of deep learning super-resolution imaging of the porosity network in dentin

• arxiv url: http://arxiv.org/abs/2510.08407v1
• Date: Thu, 09 Oct 2025 16:26:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.198637
• Title: Biology-driven assessment of deep learning super-resolution imaging of the porosity network in dentin
• Title（参考訳）: 象牙質の多孔性ネットワークのディープラーニング超解像画像の生物学的評価
• Authors: Lauren Anderson, Lucas Chatelain, Nicolas Tremblay, Kathryn Grandfield, David Rousseau, Aurélien Gourrier,
• Abstract要約: 歯のメカノセンスシステムは、象牙質を介して伸びる多孔性ネットワークを流れる流体による象牙芽細胞細胞刺激に部分的に依存していると考えられている。 最小のサブ顕微鏡ポロシティ容器を可視化するには、共焦点蛍光顕微鏡による最も高い分解能が必要である。 我々は、低解像度画像の高速な取得と、後処理による最適な画像品質の回復を可能にするために、異なる深層学習(DL)超解像(SR)モデルを試験した。
• 参考スコア（独自算出の注目度）: 3.6401695744986866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The mechanosensory system of teeth is currently believed to partly rely on Odontoblast cells stimulation by fluid flow through a porosity network extending through dentin. Visualizing the smallest sub-microscopic porosity vessels therefore requires the highest achievable resolution from confocal fluorescence microscopy, the current gold standard. This considerably limits the extent of the field of view to very small sample regions. To overcome this limitation, we tested different deep learning (DL) super-resolution (SR) models to allow faster experimental acquisitions of lower resolution images and restore optimal image quality by post-processing. Three supervised 2D SR models (RCAN, pix2pix, FSRCNN) and one unsupervised (CycleGAN) were applied to a unique set of experimentally paired high- and low-resolution confocal images acquired with different sampling schemes, resulting in a pixel size increase of x2, x4, x8. Model performance was quantified using a broad set of similarity and distribution-based image quality assessment (IQA) metrics, which yielded inconsistent results that mostly contradicted our visual perception. This raises the question of the relevance of such generic metrics to efficiently target the specific structure of dental porosity. To resolve this conflicting information, the generated SR images were segmented taking into account the specific scales and morphology of the porosity network and analysed by comparing connected components. Additionally, the capacity of the SR models to preserve 3D porosity connectivity throughout the confocal image stacks was evaluated using graph analysis. This biology-driven assessment allowed a far better mechanistic interpretation of SR performance, highlighting differences in model sensitivity to weak intensity features and the impact of non-linearity in image generation, which explains the failure of standard IQA metrics.
• Abstract（参考訳）: 歯のメカノセンスシステムは現在、象牙質を介して伸びる多孔性ネットワークを流れる流体による象牙芽細胞細胞刺激に部分的に依存していると考えられている。 そのため、最小の微視的細孔容器を可視化するには、現在の金標準である共焦点蛍光顕微鏡の最も高い分解能が必要である。 これは視野の範囲を非常に小さなサンプル領域にかなり制限する。 この制限を克服するため、我々は異なる深層学習(DL)超解像(SR)モデルを試し、低解像度画像の高速な取得と後処理による最適な画像品質の回復を可能にした。 3つの教師付き2D SRモデル (RCAN, pix2pix, FSRCNN) と1つの教師なし (CycleGAN) を、異なるサンプリング方式で取得した高解像度および低解像度の共焦点画像のユニークなセットに適用し、x2, x4, x8。 モデル性能は、多くの類似点と分布に基づく画像品質評価(IQA)指標を用いて定量化され、その結果、視覚的知覚にほとんど矛盾する結果が得られた。 このことは、歯科ポロシティーの特定の構造を効率的にターゲットする一般的な指標の関連性についての疑問を提起する。 この矛盾する情報を解決するため、生成したSR画像は、ポロシティネットワークの特定のスケールと形態を考慮してセグメント化され、接続されたコンポーネントの比較によって分析された。 さらに,共焦点画像スタック全体の3次元ポロシティ接続性を維持するためのSRモデルのキャパシティを,グラフ解析を用いて評価した。 この生物学による評価により、SR性能のはるかに優れた機械的解釈が可能となり、弱い強度特徴に対するモデル感度の違いと画像生成における非線形性の影響が強調され、標準IQA測定値の故障を説明できる。

関連論文リスト

• In silico Deep Learning Protocols for Label-Free Super-Resolution Microscopy: A Comparative Study of Network Architectures and SNR Dependence [6.165323448459655]
  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。
  論文  参考訳（メタデータ） (2025-09-23T07:32:40Z)
• 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)
• 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)
• Diffusion Model Based Visual Compensation Guidance and Visual Difference Analysis for No-Reference Image Quality Assessment [78.21609845377644]
  本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。 生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。 2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
  論文  参考訳（メタデータ） (2024-02-22T09:39:46Z)
• MAF-Net: Multiple attention-guided fusion network for fundus vascular image segmentation [1.3295074739915493]
  網膜基底画像の血管を正確に検出するマルチアテンション誘導核融合ネットワーク(MAF-Net)を提案する。 従来のUNetベースのモデルは、長距離依存を明示的にモデル化するため、部分的な情報を失う可能性がある。 提案手法は,いくつかの最先端手法と比較して良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-05-05T15:22:20Z)
• Flow-based Visual Quality Enhancer for Super-resolution Magnetic Resonance Spectroscopic Imaging [13.408365072149795]
  超高解像度MRSIの視覚的品質を向上させるためのフローベースエンハンサーネットワークを提案する。 我々のエンハンサーネットワークは、追加画像モダリティ(MRI)から解剖情報を取り込み、学習可能なベース分布を使用する。 また,視覚的品質調整や不確実性推定も可能である。
  論文  参考訳（メタデータ） (2022-07-20T20:19:44Z)
• Deep learning of multi-resolution X-Ray micro-CT images for multi-scale modelling [0.0]
  本研究では3次元拡張深部超解像(EDSR)畳み込みニューラルネットワークを開発し,大規模空間スケールで高分解能データを生成する。 我々は,テキスト解析,セグメンテーション動作,多相流シミュレーション(PNM)を用いてネットワークを検証した。 EDSR生成モデルは、不均一性の存在下での実験挙動を予測するための基礎LRモデルよりも精度が高い。
  論文  参考訳（メタデータ） (2021-11-01T21:49:22Z)

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。