Microscopios confocales

NIS-Elements AI

Utilizando Deep Learning para eliminar el ruido fotónico de Poisson de imágenes confocales de resonancia

Al usar una red neuronal convolucional que utiliza un marco MXNET codificado con varios miles de ejemplos de datos confocales de resonancia, a los datos de la imagen de entrada se les asigna pesos aprendibles, lo que resulta en el aprendizaje de la red para establecer correlaciones y reconocer patrones: el patrón principal mas común es el ruido fotónico o de Poisson; la red fue entrenada para reconocer y eliminar el ruido fotónico de conjuntos de datos del microscopio confocal A1 de resonancia. Este algoritmo entrenado de Inteligencia Artificial (AI) se puede utilizar incluso en tiempo real para eliminar el ruido.

con Denoise.AI
Original

Proyección de máxima intensidad de imagen confocal de resonancia de Danio sp. preparado por Callen Wallace y Mike Calderon, Centro de Imágenes Biológicas, Universidad de Pittsburgh para el Curso de Microscopía de Fluorescencia Cuantitativa (QFM).


Fuentes de ruido en imágenes confocales de resonancia.

El barrido de resonancia confocal, como cualquier modalidad de adquisición de imágenes, captura imágenes con señal y también con un componente de ruido. Dado que el ruido de lectura y el de corriente oscura son efectivamente insignificantes debido al uso de tubos fotomultiplicadores (PMT) y a las exposiciones extremadamente cortas (20 veces más cortas que el escaneo tradicional), respectivamente, el ruido fotónico es la fuente principal de ruido en las imágenes confocales de resonancia.

El ruido fotónico es el resultado de muestrear y digitalizar de forma separada los fotones de emisión de la muestra. Cuando los niveles de luz son bajos, la incertidumbre debida a la distribución de Poisson del flujo de luz juega un papel importante en la imagen resultante.

Denoise.AI funciona identificando y eliminando el componente de ruido fotónico de las imágenes confocales de resonancia.

con Denoise.AI
Original

Principales ventajas del uso de Denoise.AI

El barrido de resonancia funciona mediante la conducción sinusoidal del espejo de escaneo confocal a una frecuencia muy alta, lo que resulta en tiempos de permanencia ultra cortos (decenas de nanosegundos). Estos tiempos de permanencia ultra cortos son extremadamente favorables para prevenir foto toxicidad y para aumentar la viabilidad de muestras vivas para obtener imágenes a largo plazo.

El barrido de resonancia también permite que las muestras que se mueven extremadamente rápido se puedan adquirir con la frecuencia de muestreo de Nyquist para propósitos de seguimiento de objetos.

Si bien el barrido de resonancia con tiempos de exposición muy cortos generalmente requiere aplicar promedios de línea para reducir la contribución de ruido fotónico o de Poisson, los usuarios ahora pueden utilizar Denoise.AI para eliminar esta contribución.

Los resultados son múltiples:

  1. Un menor número de bucles de imagen resultan en una duración de adquisición de imágenes más larga (por ejemplo, el que no se requiera un promedio de 4 pases significa que se pueden adquirir 4 veces más imágenes, lo que prolonga la duración del lapso de tiempo o acorta el intervalo de lapso de tiempo).
  2. La frecuencia de muestreo (velocidad) aumenta con menos promedios, lo que permite la adquisición de eventos biológicos más rápidos.
  3. Las adquisiciones con señal baja mejoran notablemente debido a la eliminación del ruido fotónico o de Poisson.

Muestra de larvas de Drosophila sp. proporcionada por Amicia Elliot, PhD, NIH / NIMH, Bethesda MD. Adquirido en el Curso de Microscopía de Fluorescencia Cuantitativa 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.


Rendimiento cuantitativo

Dado que el aprendizaje profundo se emplea para reconocer y eliminar el ruido fotónico, los datos de la imagen de entrada deben tener una relación señal-ruido (SNR) suficiente para que el ruido fotónico se pueda diferenciar de la señal. Si la SNR es suficiente, se puede eliminar la variación en las intensidades debidas a la contribución del ruido fotónico o de Poisson.

NIS-Elements proporciona herramientas en tiempo real para medir la relación señal-ruido en las imágenes para ayudar a evaluar la calidad de la imagen. Sin embargo, es importante destacar que incluso las imágenes altamente corrompidas por el ruido fotónico se pueden mejorar enormemente eliminándolo, permitiendo a los usuarios ver estructuras, rastrear objetos a lo largo del tiempo o ayudar a encontrar y enfocar objetos que se mueven rápidamente.