A Deep Learning Method for Simultaneous Denoising and Missing Wedge Reconstruction in Cryogenic Electron Tomography

要約

極低温電子断層撮影法 (cryo-ET) は、ウイルス、細胞、タンパク質などの生体サンプルを 3D でイメージングする技術です。
顕微鏡はサンプルの一連の 2D 投影を収集し、その目的は断層像と呼ばれるサンプルの 3D 密度を再構築することです。
2D 投影には情報のくさびが欠けており、ノイズが多いため、これは困難です。
フィルタ逆投影などの従来の方法で再構成された断層像は、ノイズや、情報のウェッジの欠落によるアーチファクトや異方性解像度の影響を受けます。
このような断層像の視覚的な品質と解像度を向上させるために、DeepDeWedge と呼ばれる、ノイズ除去と欠落ウェッジ再構築を同時に行うための深層学習アプローチを提案します。
DeepDeWedge は、noise2noise のような手法にヒントを得た自己教師あり損失を使用して、ニューラル ネットワークを 2D 投影に当てはめることに基づいています。
このアルゴリズムにはトレーニングやグラウンド トゥルース データは必要ありません。
合成および実際のクライオ ET データに関する実験では、DeepDeWedge がクライオ ET 断層像のディープラーニング ベースのノイズ除去とミッシング ウェッジ再構築において競争力のあるパフォーマンスを達成していることが示されています。

要約(オリジナル)

Cryogenic electron tomography (cryo-ET) is a technique for imaging biological samples such as viruses, cells, and proteins in 3D. A microscope collects a series of 2D projections of the sample, and the goal is to reconstruct the 3D density of the sample called the tomogram. This is difficult as the 2D projections have a missing wedge of information and are noisy. Tomograms reconstructed with conventional methods, such as filtered back-projection, suffer from the noise, and from artifacts and anisotropic resolution due to the missing wedge of information. To improve the visual quality and resolution of such tomograms, we propose a deep-learning approach for simultaneous denoising and missing wedge reconstruction called DeepDeWedge. DeepDeWedge is based on fitting a neural network to the 2D projections with a self-supervised loss inspired by noise2noise-like methods. The algorithm requires no training or ground truth data. Experiments on synthetic and real cryo-ET data show that DeepDeWedge achieves competitive performance for deep learning-based denoising and missing wedge reconstruction of cryo-ET tomograms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google