Enhanced Confocal Laser Scanning Microscopy with Adaptive Physics Informed Deep Autoencoders

要約

回折制限解像度、ノイズ、レーザー電力条件によるアンダーサンプリングなど、共焦点レーザースキャン顕微鏡（CLSM）の共通の制限に対処するための物理学に基づいた深い学習フレームワークを提示します。
光学システムのポイントスプレッド関数（PSF）および一般的なCLSM画像分解メカニズム、すなわち、光子ショットノイズ、暗い電流ノイズ、モーションブラー、スペックルノイズ、アンダーサンプリングがモデル化され、モデルアーキテクチャに直接含まれました。
このモデルは、畳み込みと転置された畳み込み層を使用することにより、騒々しい入力からの高忠実度画像を再構築します。
圧縮センシングの進歩に続いて、私たちのアプローチは、画像解像度を損なうことなくデータ収集要件を大幅に削減します。
提案された方法は、脂質液滴、ニューロンネットワーク、フィブリラーシステムを含む多様な構造のシミュレートされたCLSM画像で広く評価されました。
Richardson-Lucy（RL）、非陰性最小二乗（NNL）、および全変動（TV）の正規化、ウィナーフィルタリング、ウェーブレット除去などの他の方法などの従来のデコンボリューションアルゴリズムとの比較は、微細な構造の回復におけるネットワークの優位性を示しています。
高い忠実度を持つ詳細。
構造類似性インデックス（SSIM）やピーク信号対ノイズ比（PSNR）などの評価メトリックは、AdaptivePhysicsAutoEncoderが多様なCLSM条件全体で堅牢な画像強化を達成し、低光と疎外のサンプリングシナリオを保持する低光および避妊のサンプリングシナリオでのより速い獲得、光減少、信頼できるパフォーマンスを促進することを強調しています。
ライブセルイメージング、動的な生物学的研究、および高スループット材料の特性評価におけるアプリケーションの約束。

要約(オリジナル)

We present a physics-informed deep learning framework to address common limitations in Confocal Laser Scanning Microscopy (CLSM), such as diffraction limited resolution, noise, and undersampling due to low laser power conditions. The optical system’s point spread function (PSF) and common CLSM image degradation mechanisms namely photon shot noise, dark current noise, motion blur, speckle noise, and undersampling were modeled and were directly included into model architecture. The model reconstructs high fidelity images from heavily noisy inputs by using convolutional and transposed convolutional layers. Following the advances in compressed sensing, our approach significantly reduces data acquisition requirements without compromising image resolution. The proposed method was extensively evaluated on simulated CLSM images of diverse structures, including lipid droplets, neuronal networks, and fibrillar systems. Comparisons with traditional deconvolution algorithms such as Richardson-Lucy (RL), non-negative least squares (NNLS), and other methods like Total Variation (TV) regularization, Wiener filtering, and Wavelet denoising demonstrate the superiority of the network in restoring fine structural details with high fidelity. Assessment metrics like Structural Similarity Index (SSIM) and Peak Signal to Noise Ratio (PSNR), underlines that the AdaptivePhysicsAutoencoder achieved robust image enhancement across diverse CLSM conditions, helping faster acquisition, reduced photodamage, and reliable performance in low light and sparse sampling scenarios holding promise for applications in live cell imaging, dynamic biological studies, and high throughput material characterization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google