DLBI：用于超分辨率荧光显微镜结构重建的深度学习引导贝叶斯推断
计算机视觉与模式识别
2018-09-05 v3 应用统计
机器学习
摘要
超分辨率荧光显微镜具有超越光衍射极限的分辨率，已成为在纳米尺度分辨率下直接观察活细胞内生物结构不可或缺的工具。尽管高密度超分辨率荧光技术取得了进展，现有方法仍存在瓶颈，包括极长的执行时间、结构的人工变细与变粗，以及缺乏捕捉潜在结构的能力。在此我们提出一种新颖的深度学习引导贝叶斯推断方法DLBI，用于高密度荧光图像的时间序列分析。我们的方法结合了深度学习与统计推断的优势，其中深度学习通过探索局部特征及沿时间轴的相关性，捕捉与观测到的时间序列荧光图像一致的荧光团潜在分布，而统计推断进一步精炼深度学习提取的超微结构并赋予最终图像物理意义。在真实与仿真数据集上的综合实验结果表明，与最先进的方法3B分析相比，我们的方法提供了更准确和逼真的局部块与大视野重建，同时我们的方法快了两个数量级以上。主程序可在 https://github.com/lykaust15/DLBI 获取。
引用
@article{arxiv.1805.07777,
title = {DLBI: Deep learning guided Bayesian inference for structure reconstruction of super-resolution fluorescence microscopy},
author = {Yu Li and Fan Xu and Fa Zhang and Pingyong Xu and Mingshu Zhang and Ming Fan and Lihua Li and Xin Gao and Renmin Han},
journal= {arXiv preprint arXiv:1805.07777},
year = {2018}
}
备注
Accepted by ISMB 2018