荧光寿命成像显微镜（FLIM）中的卷积神经网络去噪
图像与视频处理
2021-06-09 v1 计算机视觉与模式识别
系统与控制
系统与控制
摘要
荧光寿命成像显微镜（FLIM）系统受其处理速度慢、信噪比（SNR）低以及硬件装置昂贵且具挑战性的限制。在本工作中，我们展示应用去噪卷积网络来改善FLIM的SNR。该网络将与基于模拟信号处理、利用高效脉冲调制获得高SNR、并利用现成射频组件实现高性价比的快数据采集即时FLIM系统集成。我们的即时FLIM系统同时在体（in vivo）和离体（ex vivo）提供强度、寿命和相量图。通过在FLIM数据上利用训练好的深度学习模型进行图像去噪，可获得准确的FLIM相量测量。增强后的相量随后通过K-means聚类分割方法，一种无偏且无监督的机器学习技术，来准确分离不同荧光团。我们在体小鼠肾脏的实验结果表明，与现有方法相比，在分割前引入深度学习图像去噪模型有效去除了相量中的噪声并提供了更清晰的分割。因此，所提出的基于深度学习的工作流利用即时FLIM实现了快速准确的荧光图像自动分割。若FLIM测量存在噪声，去噪操作对分割是有效的。该聚类能有效增强生物医学成像应用中感兴趣生物结构的检测。
引用
@article{arxiv.2103.05448,
title = {Convolutional Neural Network Denoising in Fluorescence Lifetime Imaging Microscopy (FLIM)},
author = {Varun Mannam and Yide Zhang and Xiaotong Yuan and Takashi Hato and Pierre C. Dagher and Evan L. Nichols and Cody J. Smith and Kenneth W. Dunn and Scott Howard},
journal= {arXiv preprint arXiv:2103.05448},
year = {2021}
}
备注
SPIE Proceedings Volume 11648, Multiphoton Microscopy in the Biomedical Sciences XXI; 116481C (2021)