从无标签的两光子子宫组织图像中恢复代谢功能指标,使用基于多尺度深度学习的denoising算法

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学

背景情况:

• 无标签的两光子成像提供了对代谢组织变化的洞察力,但由于照明剂量和运动器件的低信号噪声比 (SNR) 而受到限制.
• 从这些图像中提取定量代谢信息具有挑战性,阻碍了疾病的理解和临床翻译.

研究的目的:

• 开发和评估一个基于深度学习的多尺度无效化算法,用于从低SNR双光子图像中恢复代谢活动指标.
• 评估模拟参数和训练数据对图像恢复的无声化影响.
• 为了确定从denoised图像中恢复的代谢功能指标的准确性.

主要方法:

• 利用深度神经架构来实现一个多层次的无线化算法.
• 将算法应用于人类宫组织中NAD,P,H和FAD的两光子激发光 (TPEF) 图像.
• 与六平均值 (基本真相) 进行单一的比较,以评估代谢指标的恢复准确性.

主要成果:

• 在波形变换领域中,一种新的深度消除算法证明了代谢功能指标的最佳恢复.
• 该研究评估了无声化模型,损失函数,数据转换和训练数据集对图像恢复的影响.
• 精确的恢复六个关键的代谢功能指标是从denoised图像实现的.

结论:

• 深度拒绝算法显示出从低SNR无标签的两光子图像中恢复诊断有用信息的显著前景.
• 开发的算法有效地恢复了代谢功能指标,增强了这种成像模式的临床翻译潜力.