使用卷积神经网络提高光寿命成像显微镜相位器的精度

科学领域:

• * 生物医学成像技术
• * 光显微镜的使用
• * 图像成像中的机器学习

背景情况:

• *光终身成像显微镜 (FLIM) 是一种强大的生物成像技术.
• * FLIM面临的挑战包括信号噪声比 (SNR) 低,采集速度缓慢和复杂性.
• *改善SNR对于准确分析和解释FLIM数据至关重要.

研究的目的:

• * 为了解决FLIM图像中低SNR的挑战.
• * 展示使用预训练的卷积神经网络 (CNN) 进行 FLIM 数据的否定.
• *为了提高光体分离和图像细分的准确性.

主要方法:

• *使用预先训练有素的CNN模型来拒绝FLIM测量,消除了对广泛训练数据集的需求.
• * 在推断阶段使用预训练网络,以实现快速计算 (毫秒) 和高精度.
• * 应用K-means集群到细分,无色化图像以进行光体分离.

主要成果:

• * 在FLIM图像中通过各种生物样本 (体内小鼠脏,固定细胞,固定小鼠脏) 证明有效的降噪.
• *表现出更好的细分精度和增强的SNR,即使在具有挑战性的,分布之外的条件下 (体内植物样本).
• *验证了该方法在噪音高的FLIM图像中分离光体的有效性,特别是在体内应用中.

结论:

• * 拟议的方法提供了一个快速而准确的方法来对任何系统的FLIM图像进行细分.
• * 显著改善生物医学成像中生物相关结构的识别.
• * 提供了强大的解决方案,以拒绝FLIM数据,特别是在无法实现平均化的场景中.