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は、生体サンプルを 3D で画像化する技術です。
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 投影にはノイズが多く、全方向から記録できないため、情報のくさびが欠けてしまうため、再構築は困難です。
従来、フィルタ処理された逆投影法を使用して再構成された断層像は、ウェッジが欠落しているため、ノイズや強いアーチファクトが発生します。
ここでは、DeepDeWedge と呼ばれる、ノイズ除去と欠落ウェッジの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。
このアルゴリズムはグラウンド トゥルース データを必要とせず、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。
DeepDeWedge は、ノイズ除去と欠落ウェッジ再構築のための最先端の手法である CryoCARE および IsoNet よりも優れたパフォーマンスを発揮し、同様に、場合によっては 2 つの手法を組み合わせたものよりも優れたパフォーマンスを発揮します。
同時に、DeepDeWedge は、ノイズ除去と欠落ウェッジの再構築を順次ではなく同時に行うため、この 2 段階のアプローチよりも単純です。

要約(オリジナル)

Cryogenic electron tomography is a technique for imaging biological samples 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. Reconstruction is difficult as the 2D projections are noisy and can not be recorded from all directions, resulting in a missing wedge of information. Tomograms conventionally reconstructed with filtered back-projection suffer from noise and strong artifacts due to the missing wedge. Here, we propose a deep-learning approach for simultaneous denoising and missing wedge reconstruction called DeepDeWedge. The algorithm requires no ground truth data and is based on fitting a neural network to the 2D projections using a self-supervised loss. DeepDeWedge performs better than CryoCARE and IsoNet, which are state-of-the-art methods for denoising and missing wedge reconstruction, and similarly and, in some cases, better than the combination of the two methods. At the same time, DeepDeWedge is simpler than this two-step approach, as it does denoising and missing wedge reconstruction simultaneously rather than sequentially.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google