Autorisation des images par Laurence Pelletier Lab, LTRI

A1 HD25 / A1R HD25

Système de microscope confocal

Suspendu Replaced by AX / AX R with NSPARC

Denoise.ai

Utilisation de Deep Learning pour supprimer le bruit de fond de Poisson des images confocales résonantes

En utilisant un réseau neuronal convolutifs utilisant un cadre MXNET codé avec plusieurs milliers d'exemples de données confocales résonantes, des poids assimilables sont attribués aux données d'image d’entrée, ce qui résulte en l’apprentissage par le réseau à établir des corrélations et à reconnaître des modèles: le principal modèle courant étant le bruit de fond de Poisson, le réseau a été entraîné à reconnaître et à supprimer le bruit de fond provenant des ensembles de données confocales A1 résonantes. Cet algorithme d'intelligence artificielle (IA) qualifié peut même ensuite être utilisé en temps réel pour la suppression du bruit.

avec Denoise.AI
Original

Image confocale résonante à projection d'intensité maximale de Danio sp multi-marqué, préparé par Callen Wallace et Mike Calderon, Centre pour l'imagerie biologique, Université de Pittsburgh, pour le cours de microscopie quantitative à fluorescence (QFM).

Sources de bruit dans l'imagerie confocale résonante

Le balayage confocal résonnant, comme toutes les modalités d’imagerie, capture les images avec un signal ainsi qu’une composante de bruit. Étant donné que le bruit de lecture est effectivement négligeable du fait de l’utilisation de tubes photomultiplicateurs (PMT), et que le bruit du courant d'obscurité est également minime en raison d'expositions extrêmement courtes (20 fois plus courtes que le balayage traditionnel), le bruit de fond est le principal facteur de bruit dans les images confocales résonantes.

Le bruit de fond résulte de l’échantillonnage et la numérisation discrets des photons émis par l’échantillon. Lorsque les niveaux de lumière sont faibles, l'incertitude due à la distribution de Poisson du flux de lumière joue un rôle important dans l'image de sortie.

Denoise.AI fonctionne en identifiant et en supprimant le composant de bruit de fond des images confocales résonantes.

avec Denoise.AI
Original

Principaux avantages de l’utilisation de Denoise.AI

Le balayage résonant fonctionne en actionnant de manière sinusoïdale le miroir de balayage confocal à très haute fréquence, ce qui entraîne des durées de temporisation ultra-courtes (plusieurs dizaines de nanosecondes). Ces temps de séjour ultra-courts sont extrêmement favorables à la prévention des dommages de la photo et à la viabilité accrue des échantillons pour une imagerie à long terme.

Le balayage par résonance signifie également que des échantillons extrêmement rapides peuvent toujours être acquis avec la fréquence d'échantillonnage de Nyquist à des fins de suivi d'objets.

Bien que le balayage par résonance à des temps d'exposition très courts nécessite généralement une moyenne de lignes pour réduire les contributions de bruit de fond de Poisson, les utilisateurs peuvent désormais utiliser Denoise.AI pour supprimer la contribution de bruit de fond.

Les résultats sont multiples:

  1. Peu de boucles d’imagerie entraînent une durée d’imagerie plus longue (par exemple, ne nécessitant pas de moyenne de 4 passes, on peut acquérir 4 fois plus d’images, prolonger la durée ou raccourcir l’intervalle des séquences).
  2. La fréquence d'échantillonnage (vitesse) augmente avec une moyenne moindre, permettant l'acquisition d'événements biologiques plus rapides.
  3. Les acquisitions à faible signal sont sensiblement améliorées grâce à la suppression du bruit de fond de Poisson.

Drosophila sp. Échantillon de larves fourni par Amicia Elliot, PhD, NIH / NIMH, Bethesda MD. Acquis au cours de microscopie quantitative à fluorescence de 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.

Sortie quantitative

Etant donné que l'apprentissage en profondeur est utilisé pour reconnaître et éliminer le bruit de fond, les données d'image d'entrée doivent présenter un rapport signal sur bruit (SNR) suffisant pour que le bruit de fond puisse être différencié du signal. Si le SNR est suffisant, la variance des intensités due à la contribution du bruit de fond de Poisson peut être supprimée.

NIS-Elements fournit des outils en temps réel pour mesurer le rapport signal sur bruit dans les images afin d'aider à évaluer la qualité de l'image. Il est toutefois important de noter que même les images très corrompues par le bruit de fond peuvent être grandement améliorées grâce au débruitage, permettant aux utilisateurs de voir les structures, de suivre les objets au fil du temps ou d’aider à trouver des objets se déplaçant rapidement et à faire la mise au point.