在FIB-SEM图像中纠正不均的削,使用无监督的横平面图像到图像翻译
Yicong Li1,2, Yuri Kreinin3, Siyu Huang4
1John A. Paulson School of Engineering and Applied Sciences, Harvard University, 150 Western Avenue, 02134, MA, USA.
bioRxiv : the preprint server for biology
|November 19, 2025
概括
我们开发了一种深度学习方法,以纠正因不均研磨而导致的聚焦离子束扫描电子显微镜 (FIB-SEM) 图像的扭曲. 这种无监督的方法可以提高生物组织分析的图像质量,而不需要地面真相数据.
科学领域:
- * 通过先进的显微镜技术.
- * 生物成像和分析.
- * 计算机成像技术
背景情况:
- *聚焦离子束扫描电子显微镜 (FIB-SEM) 为3D生物结构分析提供高轴分辨率.
- *在FIB-SEM中,不均的削厚度会导致轴平面的扭曲,阻碍准确的细分和重建.
- *当前的图像处理方法通常假定图像厚度均,缺乏端到端处理,或需要费力地处理基本真相数据.
研究的目的:
- * 开发一种先进的深度学习方法,用于在FIB-SEM图像中纠正不均的削工件.
- *以无监督的方式减轻图像扭曲,消除了对基本真相注释的需求.
- * 用FIB-SEM数据提高3D生物结构分析的准确性和效率.
主要方法:
- * 实现了一个无监督的图像对图像翻译深度学习技术.
- * 在3D图像卷中利用交叉平面学习来解决扭曲.
- * 将该方法应用于真实世界的微型黄蜂数据集,而不需要地面真相图像.
主要成果:
- * 在FIB-SEM图像中成功纠正了非均的削工件.
- *通过定性和定量分析,显著改善图像质量.
- * 在复杂的生物样本上验证了无监督深度学习方法的有效性.
结论:
- *开发的深度学习方法有效地纠正了FIB-SEM成像中的非均磨削工件.
- *无监督的交叉平面学习提供了一个强大的解决方案,可以在没有地面真相数据的情况下减轻扭曲.
- *这种方法提高了细微生物结构的3D重建和分析的可靠性.
