深度联合去噪与检测以增强细胞内颗粒分析
本研究构建了Fluorescence Microscopy Denoising(FMD)数据集,并采用该数据集对10种代表性降噪算法进行了基准测试,结果表明深度学习方法具有最佳性能。该数据集是用于泊松高斯噪声去噪目的下的第一个真实显微图像数据集,可成为生物医学研究中高质量、实时去噪应用的重要工具。
Dec, 2018
本文提出了一种改进的自监督去噪模型,该模型可以处理Poisson-Gaussian噪声,并且避免使用超参数,在低光显微镜等某些应用领域中取得了较好的性能表现,评估结果表明该模型优于其他基准模型。
Feb, 2020
本文提出了一种基于模拟图像的去噪方法, 即模拟图像去噪(SBD)框架,该框架使用卷积神经网络(CNNs)在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色,同时也分析了SBD的泛化能力和CNNs的视野对其性能的影响。
Oct, 2020
本文提出了一种无监督的深度学习视频去噪方法UDVD,可以通过单个短暂的有噪声视频进行训练,在显微镜检查、荧光显微镜和电子显微镜图像处理等领域具有广泛的应用前景,且无需显式的运动补偿,自适应性能比传统算法更高。
Nov, 2020
提出了一种基于图神经网络的细胞追踪方法,通过对细胞实例进行建模和关联,提取整个时间序列的细胞轨迹并使用新型的图神经网络块类型进行相互更新,最后通过解决边分类问题构建细胞的轨迹和谱系树。该方法在2D和3D数据集上的实验结果表明其优于目前大部分细胞追踪方法,在细胞追踪和突出细胞形态变化上具有优势。
Feb, 2022
采用插入式噪声去噪方法,代替现有的图像正则化器,并结合二阶统计量来训练卷积图像去噪网络,从而更适应于样本几何结构,在真实荧光显微图像数据上验证出能够正确地重建纤维结构,具有高峰值信噪比。
Mar, 2023
本文提出了一种新的自监督去噪策略,并基于空画布上的迭代采样,导出了完整的生成模型,使用荧光显微镜数据集进行了数量和质量评估,优于监督、自监督和非监督基准模型。
Jul, 2023
Fluorescent Neuronal Cells v2是一组荧光显微镜图像和相应的真实验证注释,旨在促进生命科学和深度学习领域的创新研究。
Jul, 2023
本研究提出了denoiSplit,一种解决联合语义图像分割和无监督去噪的新分析方法。该方法在荧光显微镜中具有重要应用,语义图像分割在此应用中十分关键,但图像噪声通常会妨碍对图像内容的后续分析。我们的方法通过集成无监督去噪子任务来处理图像噪声,从而改善语义图像解mixing的效果,即使在存在显著和真实水平的成像噪声的情况下也能取得良好效果。denoiSplit的一个关键创新点是使用特定的噪声模型,并适当调整适用于训练的高维分层潜在空间的KL散度损失。我们在真实世界的显微镜图像上展示了denoiSplit在4个任务上的性能,并进行了定性和定量评估,并将结果与现有基准进行了比较,证明了使用denoiSplit的有效性:一个使用两个适当的噪声模型联合执行语义分割和去噪的单一变分分割编码器-解码器(VSE)网络。
Mar, 2024
提出了一种新颖的无监督网络来降噪显微镜视频,通过在底层卷积神经网络中整合时间信号滤波器,恢复被未知噪声类型破坏的显微镜视频。实验证实,该无监督模型在广泛的噪声场景中表现出色,尤其适用于显微镜视频。
Apr, 2024