从无标签的两光子人体组织图像中恢复新陈代谢功能指标,使用基于多级深度学习的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
• 医学诊断 医学诊断 医学诊断

背景情况:

• 无标签,两光子激发光 (TPEF) 成像提供了对组织代谢和疾病的洞察.
• 图像噪声和TPEF中的工件阻碍了提取关键的生物信息.

研究的目的:

• 开发一个 TPEF 图像的多尺度深度神经网络拒绝算法.
• 从低信号噪声比 (SNR) TPEF数据中恢复代谢活动指标的算法进行优化.

主要方法:

• 利用了人类宫组织中NAD,P) H和FAD的TPEF图像.
• 评估了各种无色化模型,预处理技术以及数据对图像质量的影响.
• 在波形变换域中开发了一种新的深度消除算法.

主要成果:

• 新的波形域深度消除算法优化了氧化还原比和线粒体组织恢复.
• 在峰值SNR (PSNR) 和结构相似度指数 (SSIM) 中取得了显著的改进.
• 证明,虽然其他模型更能改善PSNR/SSIM,但它们对于代谢功能恢复来说并不理想.

结论:

• 拒绝算法对于从低SNRTPEF图像中提取诊断相关信息至关重要.
• 这种方法促进了无标签TPEF成像技术的临床转化.