深度学习辅助多光子显微镜以降低光暴露并加速成像
图像与视频处理
2020-11-13 v1 机器学习
摘要
双光子激发荧光(2PEF)可对厚度约达一毫米的组织进行成像。通常,降低荧光激发暴露会降低图像质量。然而,利用深度学习超分辨率技术,这些低分辨率图像可被转换为高分辨率图像。本工作探索通过应用深度学习在降低荧光激发暴露的同时最大化图像质量,从而改进人体组织成像。我们分析了两种方法:一种基于 U-Net 的方法,以及一种基于块回归的方法。两种方法均在皮肤数据集和眼睛数据集上进行评估。眼睛数据集包含 1200 对视网膜类器官的高功率和低功率图像。皮肤数据集包含每个人体皮肤样本的多个帧。高分辨率图像通过对每个样本的平均 70 帧形成,低分辨率图像通过对每个样本的前 7 帧和 15 帧平均形成。皮肤数据集在每个分辨率级别包含 550 幅图像。我们追踪两种方法的两种性能指标:均方误差(MSE)和结构相似性指数测度(SSIM)。对于眼睛数据集,块方法的平均 MSE 为 27,611,而 U-Net 方法为 146,855;平均 SSIM 为 0.636,而 U-Net 方法为 0.607。对于皮肤数据集,块方法的平均 MSE 为 3.768,而 U-Net 方法为 4.032;平均 SSIM 为 0.824,而 U-Net 方法为 0.783。尽管在图像质量上表现更好,但在预测速度比较上,块方法劣于 U-Net 方法,其预测一幅图像需 303 秒,而 U-Net 方法不到一秒。
引用
@article{arxiv.2011.06408,
title = {Deep machine learning-assisted multiphoton microscopy to reduce light exposure and expedite imaging},
author = {Stephen McAleer and Alex Fast and Yuntian Xue and Magdalene Seiler and William Tang and Mihaela Balu and Pierre Baldi and Andrew W. Browne},
journal= {arXiv preprint arXiv:2011.06408},
year = {2020}
}