.png){kind=icon}
返回
Structured Illumination Microscopy With Uncertainty-Guided Deep Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TCI.2025.3550715.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超分辨率显微成像技术能够以前所未有的细节可视化亚细胞结构，显著推动生命科学的发展。在现有的各种技术中，结构照明显微成像（SIM）在速度、分辨率和光毒性之间提供了理想的平衡。深度学习的最新进展进一步增强了SIM的能力，实现了更高的信噪比和更少测量次数的图像质量改进。然而，这些深度学习模型的“黑箱”特性使得对其输出结果的不确定性量化变得复杂，可能导致视觉上吸引人但科学上不准确的结果，这对临床诊断尤其具有挑战性。在本文中，我们提出了一种两步策略，不仅能量化深度学习模型的不确定性，还能增强超分辨率重建。第一步采用了一种新的稀疏约束损失函数，结合Jeffrey先验，以准确预测不确定性图。这些图评估网络预测的置信水平并识别潜在的不准确性。第二步中，这些预测的不确定性图作为注意力机制，引导神经网络关注高不确定性区域，以改进高频细节和纹理的重建。一系列模拟和实验证实，我们的方法能够准确量化不确定性并提高高分辨率图像重建，与传统的基于线粒体和微管数据集的传统方法相比，峰值信噪比平均提高了1.7 dB，结构相似性提高了0.06。我们的方法有望推动基于深度学习的超分辨率显微成像在临床环境中的应用。
Keyword:
Structured illumination microscopy
bayesian neural network
uncertainty quantification
uncertainty-guided attention mechanism
期刊
IF:
4.9
论文数:
613
被引数:
6.8K
机构
引用论文
分享收藏A Bayesian cluster analysis method for single-molecule localization microscopy data.png)
NATURE PROTOCOLS
NATURE PROTOCOLSIF16
PREAI
分享收藏Super-resolution microscopy as a powerful tool to study complex synthetic materialsNATURE REVIEWS CHEMISTRY
OAAI
NATURE REVIEWS CHEMISTRYIF51.7
OAAI分享收藏
查看更多内容