基于稀疏性的STORM超分辨率图像背景去除
计算机视觉与模式识别
2024-01-17 v1 图像与视频处理
摘要
单分子定位显微镜技术，如随机光学重建显微镜（STORM），通过随机激发稀疏闪烁的发射器来可视化生物样本。原始图像受到不需要的背景荧光的影响，必须去除这些背景才能实现超分辨率。我们通过从不同的显微镜领域引入一种神经网络（SLNet），提出了一种基于稀疏性的背景去除方法。SLNet计算图像的低秩表示，然后通过从原始图像中减去该表示，得到稀疏分量，即无背景的帧。我们在两个常用的STORM数据集（一个胶质细胞数据集和一个微管数据集）上，将我们的方法与广泛使用的背景去除方法（如中值背景去除或滚动球算法）进行了比较。SLNet生成的STORM帧背景更少，从而比常用方法实现了更高的发射器定位精度和更高分辨率的重建图像。值得注意的是，SLNet轻量且易于训练（<5分钟）。由于它以无监督方式训练，无需先验信息，可应用于任何STORM数据集。我们将预训练的SLNet上传至Bioimage模型库，可通过ImageJ轻松访问。我们的结果表明，我们的稀疏分解方法可以成为一种重要且高效的STORM预处理工具。
引用
@article{arxiv.2401.07746,
title = {Sparsity-based background removal for STORM super-resolution images},
author = {Patris Valera and Josué Page Vizcaíno and Tobias Lasser},
journal= {arXiv preprint arXiv:2401.07746},
year = {2024}
}