DeStripe：一种结合展开 Hessian 的 Self2Self 时空谱图神经网络用于光片显微镜中条纹伪影去除
图像与视频处理
2022-06-28 v1 计算机视觉与模式识别
机器学习
摘要
光片荧光显微镜（LSFM）是一种前沿的体积成像技术，可对介观样本进行三维成像，其照明与探测路径解耦。尽管此类显微镜的选择性激发方案提供了固有的光学层切，可最小化离焦荧光背景和样本光损伤，但它易受光吸收和散射效应的影响，从而导致图像中照明不均和条纹伪影。为解决此问题，本文提出一种 LSFM 中的盲条纹伪影去除算法，称为 DeStripe，其结合了自监督时空谱图神经网络与展开 Hessian 先验。具体而言，受傅里叶变换在将条纹信息浓缩至频域中孤立值这一良好特性的启发，DeStripe 首先利用单向条纹伪影与更具各向同性的前景图像之间的结构差异来定位潜在受损的傅里叶系数。受影响的傅里叶系数随后可输入图神经网络进行恢复，并展开 Hessian 正则化以进一步确保标准图像空间中的结构得到良好保留。由于在现实中使用标准图像采集协议几乎不存在无条纹的 LSFM 图像，DeStripe 配备了 Self2Self 去噪损失项，从而无需无条纹真值图像即可消除伪影。具有竞争力的实验结果表明，DeStripe 在合成和真实条纹伪影下恢复 LSFM 中受损生物标记物方面的有效性。
引用
@article{arxiv.2206.13419,
title = {DeStripe: A Self2Self Spatio-Spectral Graph Neural Network with Unfolded Hessian for Stripe Artifact Removal in Light-sheet Microscopy},
author = {Yu Liu and Kurt Weiss and Nassir Navab and Carsten Marr and Jan Huisken and Tingying Peng},
journal= {arXiv preprint arXiv:2206.13419},
year = {2022}
}
备注
Accepted by 25th International Conference on Medical Image Computing and Computer Assisted Intervention