用于虚拟荧光显微镜的物理增强机器学习
图像与视频处理
2020-04-23 v2 计算机视觉与模式识别
机器学习
摘要
本文介绍了一种用于虚拟荧光显微镜的数据驱动显微镜设计新方法。我们的结果表明，通过在深度卷积神经网络的首层中包含照明模型，可以学习到任务特定的 LED 图案，从而显著改善从未经染色的透射显微镜图像推断荧光图像信息的能力。我们在两个具有不同放大倍数和不同样本类型的不同实验装置上验证了我们的方法，显示出与传统照明方法相比性能的一致提升。此外，为理解学习到的照明对推断任务的重要性，我们改变了荧光图像目标的动态范围（从 1 位到 7 位），并表明学习图案的改进幅度随目标信息量的增加而增大。该工作展示了可编程光学元件在提升机器学习算法性能以及为下一代机器控制成像系统提供物理洞察方面的能力。
引用
@article{arxiv.2004.04306,
title = {Physics-enhanced machine learning for virtual fluorescence microscopy},
author = {Colin L. Cooke and Fanjie Kong and Amey Chaware and Kevin C. Zhou and Kanghyun Kim and Rong Xu and D. Michael Ando and Samuel J. Yang and Pavan Chandra Konda and Roarke Horstmeyer},
journal= {arXiv preprint arXiv:2004.04306},
year = {2020}
}
备注
12 pages, 13 figures