Learned, uncertainty-driven adaptive acquisition for photon-efficient scanning microscopy

要約

共焦点や多光子顕微鏡などのスキャン顕微鏡システムは、生物学的組織に深く調査するための強力なイメージングツールです。
ただし、スキャンシステムには、獲得時間、視野、光毒性、画質の間に固有のトレードオフがあり、多くの場合、高速、大きな視野、および/または穏やかなイメージングが必要なときに騒々しい測定をもたらします。
ディープラーニングは、ノイズの多い顕微鏡測定を除去するために使用できますが、これらのアルゴリズムは幻覚を起こしやすく、医学的および科学的アプリケーションにとって悲惨なものになる可能性があります。
スキャン顕微鏡システムのピクセルごとの不確実性を同時に除去し、予測する方法を提案し、アルゴリズムの信頼性を改善し、深い学習予測の統計的保証を提供します。
さらに、この学習したピクセルごとの不確実性を活用して、サンプルの最も不確実な領域のみを実行し、時間を節約し、総光量をサンプルに減らす適応獲得技術を促進することを提案します。
実験的な共焦点および多光子顕微鏡システムに関する方法を実証し、不確実性マップが深い学習予測で幻覚を特定できることを示しています。
最後に、適応型取得手法により、サンプルの微細な機能を正常に回復し、幻覚を減らしながら、獲得時間と総光量の最大16倍の短縮を示します。
私たちは、実際の実験データを使用した除去タスクの分布のない不確実性の定量化を実証し、再建の不確実性に基づいて適応獲得を提案した最初のものです。

要約(オリジナル)

Scanning microscopy systems, such as confocal and multiphoton microscopy, are powerful imaging tools for probing deep into biological tissue. However, scanning systems have an inherent trade-off between acquisition time, field of view, phototoxicity, and image quality, often resulting in noisy measurements when fast, large field of view, and/or gentle imaging is needed. Deep learning could be used to denoise noisy microscopy measurements, but these algorithms can be prone to hallucination, which can be disastrous for medical and scientific applications. We propose a method to simultaneously denoise and predict pixel-wise uncertainty for scanning microscopy systems, improving algorithm trustworthiness and providing statistical guarantees for deep learning predictions. Furthermore, we propose to leverage this learned, pixel-wise uncertainty to drive an adaptive acquisition technique that rescans only the most uncertain regions of a sample, saving time and reducing the total light dose to the sample. We demonstrate our method on experimental confocal and multiphoton microscopy systems, showing that our uncertainty maps can pinpoint hallucinations in the deep learned predictions. Finally, with our adaptive acquisition technique, we demonstrate up to 16X reduction in acquisition time and total light dose while successfully recovering fine features in the sample and reducing hallucinations. We are the first to demonstrate distribution-free uncertainty quantification for a denoising task with real experimental data and the first to propose adaptive acquisition based on reconstruction uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google