数据驱动的协调注意力深度学习,用于高准确度的大脑成像,denoising和inpainting
Chenggui Luo1, Wen Pang2, Binglin Shen1
1Key Laboratory of Optoelectronic Devices and Systems of Guangdong Province and Ministry of Education, College of Physics and Optoelectronic Engineering, Shenzhen University, Shenzhen, China.
Journal of biophotonics
|January 3, 2024
概括
深度学习通过改善弱光信号和减少噪音来增强体内小鼠大脑低质量的图像. 这种新的方法可以恢复深层皮质图像,保护组织结构并提高信号质量.
科学领域:
- 神经成像是一种神经成像.
- 生物医学光学 生物医学光学
- 人工智能的人工智能
背景情况:
- 深度学习显示了在深度体内小鼠脑部成像中改善低质量的光图像的潜力.
- 当前的方法面临的挑战是光子稀缺,噪声和组织保存在深度脑部成像.
研究的目的:
- 开发一种创新的体内皮层光图像恢复方法.
- 为了解决信号增强,denoising和inpainting用于深度大脑成像.
主要方法:
- 策划了一个深度大脑皮质图像数据集.
- 开发了一种新的深大脑协调注意力恢复网络 (DeepCAR).
- 综合协调注意力与优化剩余网络.
主要成果:
- DeepCAR精确地恢复深层皮层图像 (>800微米),保持细组织结构.
- 在峰值信号与噪声比率 (PSNR) 中取得了显著的改进:弱信号为6.94dB,噪声图像为11.22dB.
- 在各种外部数据集上展示了实时高性能恢复.
结论:
- 拟议的DeepCAR方法有效地恢复了深入的体内小鼠大脑光图像.
- 该方法克服了现有方法在处理噪音和弱信号方面的局限性.
- DeepCAR提供了一种强大的解决方案,用于高质量的深度脑部成像,同时保持组织完整性.
