Denoising diffusion models for high-resolution microscopy image restoration

要約

顕微鏡イメージングの進歩により、研究者は構造をナノスケールレベルで視覚化できるようになり、それによって生物学的組織の複雑な詳細を解明できるようになります。
ただし、画像ノイズ、蛍光色素の光退色、高光線量に対する生体サンプルの耐容性の低さなどの課題が残されており、時間分解能や実験時間が制限されます。
レーザー線量を減らすと、より長時間の測定が可能になりますが、分解能が低下し、ノイズが増加するため、下流での正確な分析が妨げられます。
ここでは、低解像度の情報に基づいてモデルを条件付けすることで、ノイズ除去拡散確率モデル (DDPM) をトレーニングし、高解像度の画像を予測します。
さらに、DDPM の確率的な側面により、信号対雑音比をさらに高める傾向にある画像を繰り返し生成できます。
私たちのモデルは、4 つの非常に多様なデータセットにわたって、以前に最高のパフォーマンスを示した方法よりも優れた、または同等のパフォーマンスを達成していることを示します。
重要なのは、これまでの手法はすべてではなく一部のデータセットに対して競合するパフォーマンスを示しているのに対し、私たちの手法は 4 つのデータセットすべてで一貫して高いパフォーマンスを達成しており、高い一般化可能性を示唆していることです。

要約(オリジナル)

Advances in microscopy imaging enable researchers to visualize structures at the nanoscale level thereby unraveling intricate details of biological organization. However, challenges such as image noise, photobleaching of fluorophores, and low tolerability of biological samples to high light doses remain, restricting temporal resolutions and experiment durations. Reduced laser doses enable longer measurements at the cost of lower resolution and increased noise, which hinders accurate downstream analyses. Here we train a denoising diffusion probabilistic model (DDPM) to predict high-resolution images by conditioning the model on low-resolution information. Additionally, the probabilistic aspect of the DDPM allows for repeated generation of images that tend to further increase the signal-to-noise ratio. We show that our model achieves a performance that is better or similar to the previously best-performing methods, across four highly diverse datasets. Importantly, while any of the previous methods show competitive performance for some, but not all datasets, our method consistently achieves high performance across all four data sets, suggesting high generalizability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google