高通量高分辨率免配准生成对抗网络显微镜
图像与视频处理
2018-10-04 v2 机器学习
信号处理
光学
定量方法
组织与器官
摘要
我们将生成对抗网络（GAN）与光学显微镜相结合，在大视场（FOV）下实现深度学习超分辨率。通过在对抗训练中适当采用先验显微镜数据，神经网络可从其单张低分辨率测量结果中恢复出新样本的高分辨率精确图像。通过宽场和光片显微镜对USAF分辨率板、人类病理切片、荧光标记成纤维细胞以及转基因小鼠脑内深部组织等多种样本成像，广泛验证了该能力。这些样本的吉像素、多色重建验证了基于GAN的单图像超分辨率流程的成功。我们还提出了一种图像退化模型以生成低分辨率图像用于训练，使我们的方法在训练数据集准备过程中无需复杂的图像配准。在建立训练良好的网络后，这种基于深度学习的成像方法能够以高速度（1秒内）恢复大FOV（约95 mm²）、高分辨率（约1.7 μm）的图像，且不必对现有显微镜装置做任何改动。
引用
@article{arxiv.1801.07330,
title = {High-throughput, high-resolution registration-free generated adversarial network microscopy},
author = {Hao Zhang and Xinlin Xie and Chunyu Fang and Yicong Yang and Di Jin and Peng Fei},
journal= {arXiv preprint arXiv:1801.07330},
year = {2018}
}
备注
21 pages, 9 figures and 1 table. Peng Fe and Di Jin conceived the ides, initiated the investigation. Hao Zhang, Di Jin and Peng Fei prepared the manuscript