Nikon Instruments Europe BV und alle Nikon Niederlassungen in Europa beobachten aktuell sehr genau alle Entwicklungen rund um das Corona Virus COVID-19. Selbstverständlich werden alle durch die Regierungsorganisationen erlassenen Richtlinien von uns strikt befolgt.

Erfahren Sie mehr über die von uns getroffenen Maßnahmen.

 

Konfokalmikroskope

Denoise.ai

Verwendet Deep Learning zum Entfernen von Poisson-Schrotrauschen aus resonanten konfokalen Bildern

Unter Verwendung eines neuronalen Faltungsnetzwerks unter Verwendung eines MXNET-Frameworks, das mit mehreren tausend Beispielen von konfokalen Resonanzdaten codiert ist, werden den Eingabebilddaten lernbare Gewichtung zugewiesen, was dazu führt, dass das Netzwerk lernt, Korrelationen herzustellen und Muster zu erkennen: da das häufigste Muster in den Aufnahme Poisson-Schrotrauschen ist, wurde das Netzwerk darauf trainiert, Schrotrauschen in resonanten konfokalen A1-Datensätzen zu erkennen und zu entfernen. Dieser trainierte künstliche Intelligenz (engl. Artificial Intelligance: AI) Algorithmus kann dann sogar in Echtzeit zur Rauschentfernung verwendet werden.

mit Denoise.AI
Original

Resonantes konfokales Projektionsbild mit maximaler Intensität von mehrfach markiertem Danio sp. vorbereitet von Callen Wallace und Mike Calderon, Center for Biological Imaging, Universität Pittsburgh für den Kurs Quantitative Fluoreszenzmikroskopie (QFM).


Rauschquellen bei der resonanten konfokalen Bildgebung

Das resonante konfokale Scannen erfasst wie alle Bildgebungsmodalitäten Bilder mit einer Signal- und auch einer Rauschkomponente. Da das Leserauschen durch die Verwendung von Photomultiplier-Röhren (PMTs) praktisch vernachlässigbar ist und das Dunkelrauschen aufgrund extrem kurzer Belichtungszeiten (20-mal kürzer als beim herkömmlichen Scannen) ebenfalls minimal ist, ist das Schrotrauschen der Hauptverursacher des Rauschens bei resonanten konfokalen Bildern.

Das Schrotrauschen ist das Ergebnis einer diskreten Abtastung und Digitalisierung von emittierenden Photonen aus der Probe. Bei niedrigen Lichtwerten spielt die Unsicherheit aufgrund der Poisson-Verteilung des Lichtstroms eine wichtige Rolle im Ausgabebild.

Denoise.AI identifiziert und entfernt die Schussrauschkomponente aus resonanten konfokalen Bildern.

mit Denoise.AI
Original

Hauptvorteile bei der Verwendung von Denoise.AI

Resonanzabtastung funktioniert durch sinusförmiges Ansteuern des konfokalen Abtastspiegels mit sehr hoher Frequenz, was zu ultrakurzen Verweilzeiten (zehn Nanosekunden) führt. Diese extrem kurzen Verweilzeiten sind sehr vorteilhaft, um eine Beschädigung der Probe zu verhindern und die Lebensfähigkeit der Proben für die Langzeitbildgebung zu erhöhen.

Resonantes Scannen bedeutet auch, dass Proben, die sich extrem schnell bewegen, für die Objektverfolgung mit der Nyquist-Abtastfrequenz erfasst werden können.

Während das resonante Scannen bei sehr kurzen Belichtungszeiten normalerweise eine Linienmittelung erfordert, um die Beiträge des Poisson-Schussrauschens zu reduzieren, können Benutzer jetzt stattdessen Denoise.AI verwenden, um den Beitrag des Schrotrauschens zu entfernen.

Die Ergebnisse sind vielfältig:

  1. Weniger Imaging-Loops führen zu einer längeren Imaging-Dauer (z. B. ohne 4-Pass-Mittelwert kann man 4x mehr Bilder aufnehmen, wodurch die Zeitspanne verlängert oder das Zeitrafferintervall verkürzt wird).
  2. Die Abtastfrequenz (Geschwindigkeit) nimmt mit geringerer Mittelung zu, wodurch schnelle biologische Ereignisse erfasst werden können.
  3. Erfassungen mit niedrigem Signal werden aufgrund der Beseitigung des Poisson-Schrotrauschens merklich verbessert.

Drosophila sp. Larvenprobe von Amicia Elliot, PhD, NIH / NIMH, Bethesda MD. Erworben im Quantitative Fluorescence Microscopy Course 2019.

Caco-2 cells stably expressing H2B-GFP, cultured in Matrigel. Image courtesy of Sally Cheung, Pelletier Lab, Department of Molecular Genetics, University of Toronto.


Quantitative Ausgabe

Da Tiefenlernen zum Erkennen und Entfernen von Schrotrauschen verwendet wird, sollten die eingegebenen Bilddaten ein ausreichendes Signal-Rausch-Verhältnis (SNR) aufweisen, so dass Schrotrauschen vom Signal unterschieden werden kann. Wenn das SNR ausreicht, kann die Intensitätsvarianz aufgrund des Beitrags des Poisson-Schrotrauschens beseitigt werden.

NIS-Elements bietet Echtzeit-Tools zur Messung des Signal-Rausch-Verhältnisses in Bildern, um die Beurteilung der Bildqualität zu erleichtern. Es ist jedoch wichtig, dass selbst Bilder, die durch das Bildrauschen stark verfälscht wurden, durch Rauschunterdrückung erheblich verbessert werden können, sodass Benutzer Strukturen sehen, Objekte über einen längeren Zeitraum verfolgen oder schnell bewegte Objekte leichter finden und fokussieren können.