Sistema di microscopia confocale

NIS-Elements AI

Utilizzo di Deep Learning per rimuovere il Poisson noise da immagini confocali risonanti

Usando una rete neurale convoluzionale che utilizza un framework MXNET codificato con diverse migliaia di esempi di dati confocali risonanti, vengono assegnati ai dati dell'immagine input dei pesi adattabili, insegnando così alla rete a stabilire correlazioni e riconoscere pattern: usando come pattern principale comune il Poisson noise, la rete è stata addestrata per riconoscere e rimuovere il rumore di scatto dai set di dati confocali risonanti A1. Questo algoritmo di intelligenza artificiale (AI) addestrato può essere quindi utilizzato per la rimozione del rumore anche in tempo reale.

con Denoise.AI
Originale

Immagine confocale risonante della proiezione della massima intensità di Danio sp. preparato da Callen Wallace e Mike Calderon, Center for Biological Imaging, Università di Pittsburgh per il corso di microscopia quantitativa alla fluorescenza (QFM).


Fonti di rumore nell'imaging confocale risonante

Come tutte le modalità di imaging, anche quella confocale a scansione risonante cattura immagini con segnale e una componente di rumore. Poiché il rumore di lettura è effettivamente trascurabile per l’uso di tubi fotomoltiplicatori (PMT), e il rumore della corrente scura è minimo per via dei tempi di esposizione estremamente brevi (20 volte più brevi rispetto alla scansione tradizionale), il rumore di scatto è il principale contributo di rumore nelle immagini confocali risonanti.

Il rumore di scatto è il risultato del campionamento discreto e della digitalizzazione dell'emissione di fotoni dal campione. Quando i livelli di luce sono bassi, l'incertezza dovuta alla distribuzione di Poisson del flusso luminoso gioca un ruolo significativo nell'immagine in uscita.

Denoise.AI funziona identificando e rimuovendo la componente del rumore di scatto dalle immagini confocali risonanti.

con Denoise.AI
Originale

Vantaggi principali dell'utilizzo di Denoise.AI

La scansione risonante funziona guidando in maniera sinusoidale lo specchio di scansione confocale ad altissima frequenza, risultando in tempi di pausa ultra brevi (decine di nanosecondi). Questi tempi di pausa ultra brevi sono estremamente favorevoli per prevenire il danno fotografico e l'aumento della viabilità del campione per l'imaging a lungo termine.

La scansione risonante comporta che anche i campioni che si muovono molto velocemente possano essere acquisiti con la frequenza di campionamento di Nyquist per il tracking degli oggetti.

Mentre la scansione risonante a tempi di esposizione molto brevi richiede in genere una media lineare per ridurre i contributi del Poisson noise, adesso gli utenti possono utilizzare Denoise.AI per rimuovere il contributo del rumore di scatto.

I risultati sono molteplici:

  1. Un numero inferiore di cicli di imaging risulta in una durata di imaging più lunga (ad esempio, non richiedere una media a 4 passaggi significa che è possibile acquisire 4 volte più immagini, prolungando la durata del time-lapse o accorciandone l'intervallo).
  2. La frequenza di campionamento (velocità) aumenta con una media inferiore, consentendo l'acquisizione di eventi biologici più veloci.
  3. Le acquisizioni con segnale basso sono sensibilmente migliorate grazie alla rimozione del Poisson noise.

Campione di larve di Drosophila sp. fornito da Amicia Elliot, PhD, NIH / NIMH, Bethesda MD. Acquisito al corso di microscopia quantitativa alla fluorescenza 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 output

Poiché viene utilizzato il deep learning per riconoscere e rimuovere il rumore di scatto, i dati dell'immagine input dovrebbero avere un rapporto segnale-rumore (SNR) sufficiente tale che il rumore di scatto possa essere differenziato dal segnale. Se c’è un SNR sufficiente, è possibile rimuovere la variazione di intensità dovuta al contributo del Poisson noise.

NIS-Elements fornisce strumenti in tempo reale per misurare il rapporto segnale-rumore nelle immagini per aiutare a valutare la qualità dell'immagine. È tuttavia importante sottolineare che anche le immagini altamente danneggiate dal rumore di scatto possono essere notevolmente migliorate con il denoising, consentendo agli utenti di vedere strutture, tracciare oggetti nel tempo o assistere nel localizzare e mettere a fuoco oggetti in rapido movimento.