基于生成对抗网络的三维显微图像半监督与自监督多视角融合
图像与视频处理
2021-08-29 v1 计算机视觉与模式识别
机器学习
摘要
荧光显微镜的最近发展使得能够对活体模式生物随时间捕获高分辨率三维图像。为能够成像甚至大型标本，多视角光片成像等技术在每个时间点记录不同方向，随后可融合为单一高质量体积。基于测量的点扩散函数（PSF），去卷积与内容融合能够大幅逆转成像过程中不可避免的退化。经典的多视角去卷积与融合方法主要使用迭代过程与基于内容的平均。近来，卷积神经网络（CNNs）已被部署用于三维单视角去卷积显微，但多视角情况尚待研究。我们研究了基于 CNN 的多视角去卷积与融合在两组模拟发育胚胎且涉及两个或四个互补三维视角的合成数据集上的效能。与经典最先进方法相比，所提出的半监督与自监督模型分别在双视角和四视角情况下取得了具竞争力和更优的去卷积与融合质量。
引用
@article{arxiv.2108.02743,
title = {Semi- and Self-Supervised Multi-View Fusion of 3D Microscopy Images using Generative Adversarial Networks},
author = {Canyu Yang and Dennis Eschweiler and Johannes Stegmaier},
journal= {arXiv preprint arXiv:2108.02743},
year = {2021}
}
备注
11 pages, 3 figures, 1 table, accepted for publication at MLMIR 2021