基于 A-net 深度学习网络细胞骨架图像超分辨率重建
图像与视频处理
2021-12-20 v1 计算机视觉与模式识别
机器学习
摘要
迄今为止，纳米尺度活细胞成像仍具挑战性。尽管超分辨率显微方法已实现亚细胞结构在光学分辨率极限以下的观测，但其空间分辨率仍远不足以用于体内生物分子（如微管纤维约 24 nm 厚度）的结构重建。本研究中，我们提出一种 A-net 网络，并表明将 A-net 深度学习网络与基于退化模型的 DWDC 算法相结合，可显著提升共聚焦显微镜所捕获细胞骨架图像的分辨率。利用 DWDC 算法构建新数据集，并发挥 A-net 神经网络层数极少等特性，我们成功去除了原始图像中干扰细胞结构的噪声与絮状结构，并在相对较小的数据集下将空间分辨率提高了 10 倍。因此，我们认为所提出的 A-net 神经网络与 DWDC 方法相结合的算法，是从低分辨率图像中提取生物分子、细胞及器官结构细节的一种适用且通用的途径。
引用
@article{arxiv.2112.09574,
title = {Super-resolution reconstruction of cytoskeleton image based on A-net deep learning network},
author = {Qian Chen and Haoxin Bai and Bingchen Che and Tianyun Zhao and Ce Zhang and Kaige Wang and Jintao Bai and Wei Zhao},
journal= {arXiv preprint arXiv:2112.09574},
year = {2021}
}
备注
The manuscript has 17 pages, 10 figures and 58 references