Данная работа посвящена реализации алгоритма машинного обучения, производящего улучшение качества трёхмерных изображений флуоресцентных объектов, получаемых в ходе работы конфокального микроскопа. Задачи, решаемые в данной работе: A. Изучение существующих алгоритмов, решающих схожие задачи. B. Разработка алгоритма машинного обучения, аппроксимирующего процесс деконволюции трёхмерных изображений. C. Реализация метода генерации данных для обучения алгоритма, тестирование и демонстрация работы алгоритма. В результате был разработан алгоритм глубокого обучения, структура нейросети которого основана на архитектуре генератора DeblurGAN-v2. Сеть была обучена на данных, полученных методом свёртки различных трёхмерных изображений с ядрами свёртки, полученных из изображений флуоресцентных сфер и их точных математических представлений. Работа разработанного нейросетевого метода деконволюции протестировна и продемонстрирована на реальных снимках сфер, трубочек и нейронов. Также был сделан вывод, что разработанный алгоритм может быть применим на практике как альтернатива существующим методам деконволюции: нейросеть отличается высокой скоростью работы и обладает схожими показаниями метрик качества.

This paper is devoted to the implementation of a machine learning algorithm that improves the quality of three-dimensional images of fluorescent objects obtained during the operation of a confocal microscope. The main research tasks are: A. Researching existing algorithms that solve similar problems. B. Development of a machine learning algorithm that implements the deconvolution process. C. Implementation of data generation method to train the algorithm, testing and demonstration of the algorithm. As a result, a deep learning algorithm was developed, whose neural network structure is based on DeblurGAN-v2 generator’s architecture. The network has been trained on the data obtained by convolution of different three-dimensional images by convolution kernels of fluorescent sphere image and their exact mathematical representations. The performance of the deconvolution algorithm has been tested and demonstrated on real images of spheres, tubes, and neurons. It was also concluded that the developed algorithm can be applied in practice as an alternative to existing deconvolution methods: the neural network has a high speed of operation and has similar quality metrics readings.

• Методы глубокого обучения для построения ФРТ конфокального микроскопа
  • Методы глубокого обучения для построения ФРТ конфокального микроскопа
    • Введение
    • 1. Постановка задачи
    • 2. Элементы свёрточных нейронных сетей
    • 3. Описание алгоритма глубокого обучения
    • 4. Генерация данных
    • 5. Результаты
    • Заключение
    • Список использованных источников
• 4ea180bc2589ff8cdedd8f2ad5645d6e8f6c415c13024d7501b3deafb343bdd4.pdf
• Методы глубокого обучения для построения ФРТ конфокального микроскопа
  • Методы глубокого обучения для построения ФРТ конфокального микроскопа
    • Введение
    • 1. Постановка задачи
    • 2. Элементы свёрточных нейронных сетей
    • 3. Описание алгоритма глубокого обучения
    • 4. Генерация данных
    • 5. Результаты
    • Заключение
    • Список использованных источников