共聚焦显微镜

NIS-Elements AI

利用深度学习去除共振扫描共聚焦图像中的泊松散粒噪声

使用数以千计的共振扫描共聚焦样图数据对源于MXNET的卷积神经网络进行编码。通过向输入图像数据分配可学习的权重与误差,对神经网络进行相关性和模式识别训练。共振扫描共聚焦图像中的主要噪声为泊松散粒噪声,因此该神经网络专为识别和消除A1共振扫描图像中的散粒噪声而训练。这一经过训练的人工智能(AI)算法甚至可以进行实时去噪。

使用Denoise.AI降噪
原始图像

多色标记斑马鱼的共振扫描共聚焦最大强度投影图像。由匹兹堡大学生物成像中心的Callen Wallace和Mike Calderon为定量荧光显微镜(QFM)课程所准备。


共振扫描共聚焦成像中的噪声来源

与其他成像手段相同,共振扫描共聚焦在成像时会同时采集信号和噪声成分。对于共振扫描共聚焦成像,由于采用了光电倍增管(PMT)其读出噪声非常微弱,同时暗电流也被最大限度抑制(由于极短的曝光时间,曝光速度一般为通常扫描模式的20x),所以图像的主要噪声为散粒噪声。

散粒噪声是对样品中发射的光子进行精细采样和数字化产生的。当光强水平很低时,由光通量的泊松分布引起的不确定性将会对输出图像产生重要的影响。

Denoise.AI通过识别和消除共振扫描共聚焦图像中的散粒噪声来进行降噪。

使用Denoise.AI降噪
原始图像

Denoise.Ai的优势

共振扫描以非常高的频率通过正弦的方式驱动振镜进行工作,从而具有超短(几十纳秒)的停留时间。这一超短的停留时间对于防止样品光损伤以增加其长期成像能力非常有利。

共振扫描还意味着在进行移动对象追踪时,仍然可以使用奈奎斯特采样频率对极快运动的样品进行采集。

通常极短的曝光时间意味着需要使用线平均来减少泊松噪声的影响,但用户现在可以选择使用denoise.AI来去除散粒噪声的影响。

这一选择的优势是多方面的: 1.更少的成像循环将增加图像拍摄的容量(例如,不需4图像平均意味着可以获得4倍以上的图像;也可以延长时间序列拍摄时间或缩短拍摄的时间间隔)。 2.随着图像平均的减少,采样频率(速度)得以增加,从而可以对更快的生物现象进行图像采集。 3.由于泊松散粒噪声的去除,对弱信号的采集能力明显得到改善。

果蝇幼虫,样本由美国国立卫生研究院/国立精神卫生研究所的Amicia Elliot博士和Bethesda医学博士提供。获取于2019年定量荧光显微镜课程。

Caco-2细胞稳定表达H2B-GFP(在基质胶中进行培养)。图像由多伦多大学分子遗传学系Pelletier实验室的Sally Cheung提供。


定量输出

由于采用深度学习来对散粒噪声进行识别和消除,所以输入图像的数据应该具有足够的信噪比(SNR)才可以使得散粒噪声和信号可以被区分。如果图像具有足够的信噪比,则可以消除由泊松散粒噪声引起的强度变化。

NIS-Elements提供实时的图像信噪比测量工具,用以帮助评估图像质量。然而重要的是,即使是含有大量散粒噪声的图像,通过降噪处理也可以使图像质量得到极大改善,从而可以用于查看结构、随时间对物体进行追踪或帮助寻找和聚焦快速移动的物体。