一种基于深度学习的条纹自我校正方法,用于拼接的显微镜图像

科学领域:

• 显微镜的使用方法
• 图像处理 图像处理
• 人工智能的人工智能

背景情况:

• 合光显微镜图像通常含有条纹文物.
• 这些文物会对图像质量和定量分析产生负面影响.

研究的目的:

• 引入一种基于深度学习的方法,SSCOR,用于纠正显微镜图像中的条纹文物.
• 开发一种方法,可以在没有人工干预的情况下自适应地纠正各种文物.

主要方法:

• 提出了一个近距离抽样方案和对抗互惠自训练范式.
• SSCOR使用无条纹图像补丁来纠正相邻的包含文物补丁.
• 该方法在不需要物理参数估计或手动注释的情况下运行.

主要成果:

• SSCOR有效地纠正不均,斜和网格条纹.
• 该方法还可以删除扫描,泡和失焦的文物.
• 在各种成像条件和模式中实现了最先进的性能.

结论:

• 对于显微镜图像恢复,SSCOR提供了一个智能,无先验的解决方案.
• 这种方法提高了图像质量,用于更精确的生物医学应用.
• 为研究人员和显微镜制造商提供了宝贵的工具.