Heim Technologie-Peripheriegeräte KI Um Rauschen in Fluoreszenzbildern auf selbstüberwachte Weise zu entfernen, entwickelte das Tsinghua-Team die Transformer-Methode zur räumlichen Redundanz-Entrauschung

Um Rauschen in Fluoreszenzbildern auf selbstüberwachte Weise zu entfernen, entwickelte das Tsinghua-Team die Transformer-Methode zur räumlichen Redundanz-Entrauschung

Feb 19, 2024 am 09:10 AM
ai 模型

Das hohe Signal-Rausch-Verhältnis der Fluoreszenzbildgebung ist entscheidend für die genaue Visualisierung biologischer Phänomene. Das Rauschproblem bleibt jedoch eine der größten Herausforderungen für die Bildempfindlichkeit.

Das Forschungsteam der Tsinghua-Universität stellt den Spatial Redundancy Denoising Transformer (SRDTrans) zur Verfügung, um Rauschen in Fluoreszenzbildern auf selbstüberwachte Weise zu entfernen.

Das Team schlug eine neue Sampling-Strategie vor, um benachbarte orthogonale Trainingspaare basierend auf räumlicher Redundanz zu extrahieren und die Abhängigkeit von einer hohen Bildgebungsgeschwindigkeit zu beseitigen. Darüber hinaus entwickelten sie eine leichte raumzeitliche Transformer-Architektur, die in der Lage ist, entfernte Abhängigkeiten und hochauflösende Merkmale bei geringem Rechenaufwand zu erfassen.

SRDTrans ist in der Lage, Hochfrequenzinformationen zu bewahren, ohne dass es zu einer übermäßigen Glättung von Strukturen oder einer Verzerrung von Fluoreszenzspuren kommt. Darüber hinaus ist SRDTrans nicht auf spezifische Bildgebungsverfahren und Probenannahmen angewiesen, sodass es für die Erweiterung auf verschiedene Bildgebungsmodalitäten und biologische Anwendungen geeignet ist.

Die Studie trug den Titel „Spatial Redundancy Transformer for Self-Supervised Fluoreszenz Image Denoising“ und wurde am 11. Dezember 2023 in „Nature Computational Science“ veröffentlicht.

Um Rauschen in Fluoreszenzbildern auf selbstüberwachte Weise zu entfernen, entwickelte das Tsinghua-Team die Transformer-Methode zur räumlichen Redundanz-Entrauschung

Die rasante Entwicklung der In-vivo-Bildgebungstechnologie ermöglicht es Forschern, biologische Strukturen und Aktivitäten im Mikrometer- und sogar Nanobereich zu beobachten. Die Fluoreszenzmikroskopie als beliebte bildgebende Methode hilft mit ihrer hohen räumlich-zeitlichen Auflösung und molekularen Spezifität dabei, neue physiologische und pathologische Mechanismen aufzudecken. Das Hauptziel der Fluoreszenzmikroskopie besteht darin, saubere, klare Bilder zu erhalten, die ausreichend Probeninformationen enthalten, um die Genauigkeit der nachgelagerten Analyse sicherzustellen und sichere Schlussfolgerungen zu ermöglichen.

Aufgrund des Einflusses verschiedener biophysikalischer und biochemischer Faktoren unterliegt die Fluoreszenzbildgebung jedoch verschiedenen Einschränkungen im praktischen Betrieb. Beispielsweise können Helligkeit, Phototoxizität und Photobleichung von Fluorophoren einen negativen Einfluss auf die Bildgebungsergebnisse haben. Im Falle einer Photonenlimitierung kann das inhärente Photonenschussrauschen das Signal-Rausch-Verhältnis (SNR) des Bildes erheblich reduzieren, insbesondere bei geringer Beleuchtung und Hochgeschwindigkeitsbeobachtungsbedingungen. Diese Faktoren machen die Qualität und Zuverlässigkeit der Fluoreszenzbildgebung zu einer Herausforderung und müssen in der Praxis überwunden und optimiert werden.

Es wurden verschiedene Methoden vorgeschlagen, um Rauschen in Fluoreszenzbildern zu entfernen. Herkömmliche Rauschunterdrückungsalgorithmen, die auf numerischer Filterung und mathematischer Optimierung basieren, weisen eine unbefriedigende Leistung und eine begrenzte Anwendbarkeit auf. In den letzten Jahren hat Deep Learning bemerkenswerte Erfolge auf dem Gebiet der Bildrauschunterdrückung erzielt.

Durch iteratives Training mithilfe von Ground-Truth-Datensätzen (GT) können tiefe neuronale Netze die Zuordnungsbeziehung zwischen verrauschten Bildern und ihren sauberen Gegenstücken lernen. Die Wirksamkeit dieser Überwachungsmethode hängt hauptsächlich von den gepaarten GT-Bildern ab.

Saubere Bilder mit Pixel-für-Pixel-Registrierung zu erhalten, ist eine große Herausforderung bei der Beobachtung der Aktivität lebender Organismen, da Proben oft schnelle dynamische Veränderungen durchlaufen. Um diesen Widerspruch zu mildern, wurden einige selbstüberwachte Methoden vorgeschlagen, um eine anwendbarere und praktischere Rauschunterdrückung in der Fluoreszenzbildgebung zu erreichen.

Um eine bessere Rauschunterdrückungsleistung zu erzielen, ist die Fähigkeit, gleichzeitig globale räumliche Informationen und zeitliche Korrelation über große Entfernungen zu extrahieren, von entscheidender Bedeutung, was in Faltungs-Neuronalen Netzen (CNN) aufgrund der Lokalität des Faltungskerns fehlt. Darüber hinaus tendiert CNN aufgrund der inhärenten spektralen Verzerrung dazu, vorzugsweise niederfrequente Merkmale anzupassen, während hochfrequente Merkmale ignoriert werden, was unweigerlich zu übermäßig glatten Rauschunterdrückungsergebnissen führt.

Das Forschungsteam der Tsinghua-Universität schlug den Spatial Redundancy Denoising Transformer (SRDTrans) vor, um diese Dilemmata zu lösen.

Um Rauschen in Fluoreszenzbildern auf selbstüberwachte Weise zu entfernen, entwickelte das Tsinghua-Team die Transformer-Methode zur räumlichen Redundanz-Entrauschung

Abbildung: SRDTrans-Prinzip und Leistungsbewertung. (Quelle: Papier)

Einerseits schlugen die Forscher eine räumlich redundante Sampling-Strategie vor, um dreidimensionale (3D) Trainingspaare aus rohen Zeitrafferdaten in zwei orthogonalen Richtungen zu extrahieren.

Dieses Schema basiert nicht auf der Ähnlichkeit zwischen zwei benachbarten Bildern, daher eignet sich SRDTrans für sehr schnelle Aktivitäten und extrem niedrige Bildgeschwindigkeiten, was eine Ergänzung zu DeepCAD ist, das zuvor vom Team vorgeschlagen wurde, um zeitliche Redundanz auszunutzen.

Da SRDTrans nicht auf Annahmen über Kontrastmechanismen, Rauschmodelle, Probendynamik und Bildgebungsgeschwindigkeit angewiesen ist. Daher kann es problemlos auf andere biologische Proben und Bildgebungsmodalitäten ausgeweitet werden, wie z. B. Membranspannungsbildgebung, Einzelproteindetektion, Lichtblattmikroskopie, konfokale Mikroskopie, Lichtfeldmikroskopie und hochauflösende Mikroskopie.

Andererseits entwarfen die Forscher ein leichtes räumlich-zeitliches Transformationsnetzwerk, um die langfristige Korrelation voll auszunutzen. Der optimierte Feature-Interaktionsmechanismus ermöglicht es dem Modell, hochauflösende Features mit einer kleinen Anzahl von Parametern zu erhalten. Im Vergleich zum klassischen CNN verfügt das vorgeschlagene SRDTrans über eine stärkere globale Wahrnehmung und Hochfrequenzwartungsfähigkeiten und ist in der Lage, feinkörnige raumzeitliche Muster aufzudecken, die bisher schwer zu erkennen waren.

Das Team demonstrierte die überlegene Lärmreduzierungsleistung von SRDTrans in zwei repräsentativen Anwendungen. Die erste ist die Einzelmolekül-Lokalisierungsmikroskopie (SMLM), bei der benachbarte Rahmen zufällige Teilmengen von Fluorophoren sind.

Um Rauschen in Fluoreszenzbildern auf selbstüberwachte Weise zu entfernen, entwickelte das Tsinghua-Team die Transformer-Methode zur räumlichen Redundanz-Entrauschung

Abbildung: Anwendung von SRDTrans auf experimentelle SMLM-Daten. (Quelle: Paper)

Das andere ist die Zwei-Photonen-Kalzium-Bildgebung großer 3D-Neuronenpopulationen bei Volumengeschwindigkeiten von nur 0,3 Hz. Umfangreiche qualitative und quantitative Ergebnisse zeigen, dass SRDTrans als wesentliches Entrauschungswerkzeug für die Fluoreszenzbildgebung dienen kann, um eine Vielzahl zellulärer und subzellulärer Phänomene zu beobachten.

Um Rauschen in Fluoreszenzbildern auf selbstüberwachte Weise zu entfernen, entwickelte das Tsinghua-Team die Transformer-Methode zur räumlichen Redundanz-Entrauschung

Abbildung: Hochempfindliche Kalzium-Bildgebung großer neuronaler Volumina. (Quelle: Papier)

SRDTrans hat auch einige Einschränkungen, hauptsächlich in der Grundannahme, dass benachbarte Pixel eine ungefähre Struktur haben sollten. SRDTrans schlägt fehl, wenn die räumliche Abtastrate zu niedrig ist, um ausreichende Redundanz bereitzustellen. Ein weiteres potenzielles Risiko ist die Fähigkeit zur Verallgemeinerung, da die leichtgewichtige Netzwerkarchitektur von SRDTrans besser für bestimmte Aufgaben geeignet ist.

Glauben Sie, dass das Training eines bestimmten Modells für bestimmte Daten die zuverlässigste Methode ist, Deep Learning für die Rauschunterdrückung von Fluoreszenzbildern zu nutzen. Daher sollten neue Modelle trainiert werden, um optimale Ergebnisse zu gewährleisten, wenn sich Bildgebungsparameter, Modalitäten und Proben ändern.

Da sich die Entwicklung von Fluoreszenzindikatoren in Richtung einer schnelleren Kinetik bewegt, nimmt die Bildgebungsgeschwindigkeit, die zur Überwachung der biologischen Dynamik auf Millisekundenebene erforderlich ist, um diese schnellen Aktivitäten aufzuzeichnen, weiter zu. Für Entrauschungsmethoden, die auf zeitlicher Redundanz basieren, wird es immer schwieriger, ausreichende Abtastraten zu erzielen. Die Perspektive des Teams besteht darin, diese Lücke zu schließen, indem versucht wird, räumliche Redundanz als Alternative zu nutzen, um eine selbstüberwachte Rauschunterdrückung in mehr Bildgebungsanwendungen zu ermöglichen.

Obwohl der perfekte Fall für eine räumlich redundante Abtastung eine doppelt so hohe räumliche Abtastrate ist wie die beugungsbegrenzte Nyquist-Abtastung, wodurch sichergestellt wird, dass zwei benachbarte Pixel in den meisten Fällen nahezu identische optische Signale aufweisen, wird die endogene Ähnlichkeit zwischen den beiden räumlich herunterabgetastet Teilsequenzen reichen aus, um das Training des Netzwerks zu steuern.

Dies bedeutet jedoch nicht, dass die vorgeschlagene räumlich redundante Sampling-Strategie die zeitlich redundante Sampling vollständig ersetzen kann, denn Ablationsstudien haben gezeigt, dass zeitlich redundante Sampling bei Ausstattung mit der gleichen Netzwerkarchitektur bessere Ergebnisse in der Hochgeschwindigkeitsbildgebung erzielen kann. gute Leistung. Der Vorteil von SRDTrans gegenüber DeepCAD bei hohen Bildgeschwindigkeiten liegt tatsächlich an der Transformer-Architektur.

Im Allgemeinen sind räumliche Redundanz und zeitliche Redundanz zwei komplementäre Abtaststrategien, mit denen ein selbstüberwachtes Training von Netzwerken zur Rauschunterdrückung durch Fluoreszenz-Zeitraffer-Bildgebung erreicht werden kann. Welche Stichprobenstrategie verwendet wird, hängt davon ab, welche Redundanz in den Daten größer ist. Es ist erwähnenswert, dass in vielen Fällen keine der beiden Redundanzen ausreicht, um aktuelle Stichprobenstrategien zu unterstützen. Die Entwicklung spezifischer oder allgemeinerer selbstüberwachter Rauschunterdrückungsmethoden wird für die Fluoreszenzbildgebung von bleibendem Wert sein.

Papierlink: https://www.nature.com/articles/s43588-023-00568-2

Das obige ist der detaillierte Inhalt vonUm Rauschen in Fluoreszenzbildern auf selbstüberwachte Weise zu entfernen, entwickelte das Tsinghua-Team die Transformer-Methode zur räumlichen Redundanz-Entrauschung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Welche Methode wird verwendet, um Strings in Objekte in Vue.js umzuwandeln? Welche Methode wird verwendet, um Strings in Objekte in Vue.js umzuwandeln? Apr 07, 2025 pm 09:39 PM

Bei der Konvertierung von Zeichenfolgen in Objekte in Vue.js wird JSON.Parse () für Standard -JSON -Zeichenfolgen bevorzugt. Bei nicht standardmäßigen JSON-Zeichenfolgen kann die Zeichenfolge durch Verwendung regelmäßiger Ausdrücke verarbeitet und Methoden gemäß dem Format oder dekodierten URL-kodiert reduziert werden. Wählen Sie die entsprechende Methode gemäß dem String -Format aus und achten Sie auf Sicherheits- und Codierungsprobleme, um Fehler zu vermeiden.

So verwenden Sie MySQL nach der Installation So verwenden Sie MySQL nach der Installation Apr 08, 2025 am 11:48 AM

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Wie man MySQL löst, kann nicht gestartet werden Wie man MySQL löst, kann nicht gestartet werden Apr 08, 2025 pm 02:21 PM

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

VUE.JS Wie kann man ein Array von String -Typ in ein Array von Objekten umwandeln? VUE.JS Wie kann man ein Array von String -Typ in ein Array von Objekten umwandeln? Apr 07, 2025 pm 09:36 PM

Zusammenfassung: Es gibt die folgenden Methoden zum Umwandeln von VUE.JS -String -Arrays in Objektarrays: Grundlegende Methode: Verwenden Sie die Kartenfunktion, um regelmäßige formatierte Daten zu entsprechen. Erweitertes Gameplay: Die Verwendung regulärer Ausdrücke kann komplexe Formate ausführen, müssen jedoch sorgfältig geschrieben und berücksichtigt werden. Leistungsoptimierung: In Betracht ziehen die große Datenmenge, asynchrone Operationen oder effiziente Datenverarbeitungsbibliotheken können verwendet werden. Best Practice: Clear Code -Stil, verwenden Sie sinnvolle variable Namen und Kommentare, um den Code präzise zu halten.

Laravels Geospatial: Optimierung interaktiver Karten und großen Datenmengen Laravels Geospatial: Optimierung interaktiver Karten und großen Datenmengen Apr 08, 2025 pm 12:24 PM

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

So stellen Sie die Zeitüberschreitung von Vue Axios fest So stellen Sie die Zeitüberschreitung von Vue Axios fest Apr 07, 2025 pm 10:03 PM

Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

So optimieren Sie die Datenbankleistung nach der MySQL -Installation So optimieren Sie die Datenbankleistung nach der MySQL -Installation Apr 08, 2025 am 11:36 AM

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.

Remote Senior Backend Engineers (Plattformen) benötigen Kreise Remote Senior Backend Engineers (Plattformen) benötigen Kreise Apr 08, 2025 pm 12:27 PM

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen

See all articles