用3D U-net提高大脑图像质量,以在光板光显微镜中去除条纹

科学领域:

• 神经成像是一种神经成像.
• 显微镜是图像处理的技术.

背景情况:

• 光板光显微镜 (LSFM) 提供高分辨率的3D神经数据.
• LSFM图像中的条纹噪声降低了质量,特别是复杂的3D条纹,阻碍了神经科学研究.
• 现有的二维条纹去除方法对于复杂的3D LSFM数据是不够的.

研究的目的:

• 开发一种新的3D算法,以有效地消除LSFM图像中的条纹噪声.
• 为了提高LSFM捕获的3D神经数据的质量.
• 在各种成像模式中提供用于提高图像质量的多功能解决方案.

主要方法:

• 提出了一种名为USRL (无监督条纹去除学习) 的新型3D U-net模型,用于条纹去除.
• 实施了双分辨率策略,以处理不同复杂度的条纹.
• 集成了一个非线性映射技术,用于在去除条纹之前将数据规范化.

主要成果:

• 与现有的算法相比,USRL模型在峰值信号与噪声比率 (PSNR) 中表现出了显著的改进.
• 在各种LSFM数据集上实现了强大的性能,包括真实世界的数据.
• 在广泛的验证实验中,超越了传统的条纹去除方法.

结论:

• 拟议的3D U-net模型有效地消除了LSFM中的复杂条纹噪声,显著提高了图像质量.
• 该算法显示了适应性和应用潜力,超出了LSFM,用于其他成像模式.
• USRL提供了一种强大的工具,用于改善各种科学学科的图像可用性.