利用卷积神经网络的 3D 荧光显微镜图像各向同性重建
计算机视觉与模式识别
2017-04-06 v1
摘要
荧光显微镜图像通常在轴向与横向分辨率上表现出严重的各向异性。这阻碍了下游处理，即定量生物数据的自动提取。尽管存在去卷积方法及其他解决该问题的技术，但它们要么应用耗时，要么在消除各向异性的能力上有限。我们提出一种方法，从易于获取的各向异性数据中恢复各向同性分辨率。我们使用卷积神经网络实现这一点，该网络端到端地由后续将应用该网络的同一各向异性数据体训练。该网络通过在训练得到的、样本特定的图像先验下恢复图像，有效地学习恢复完整的各向同性分辨率。我们将方法应用于 个合成和 个真实数据集，并显示我们的结果优于去卷积和当前最优超分辨率技术的结果。最后，我们证明标准 3D 分割流程在我们网络输出上的性能与在全各向同性数据上相当准确。
引用
@article{arxiv.1704.01510,
title = {Isotropic reconstruction of 3D fluorescence microscopy images using convolutional neural networks},
author = {Martin Weigert and Loic Royer and Florian Jug and Gene Myers},
journal= {arXiv preprint arXiv:1704.01510},
year = {2017}
}