Details

Данная работа посвящена разработке онлайн-сервиса, производящего различные процессы улучшения качества трёхмерных изображений люминисцентных объектов малого размера, регистрируемых конфокальными микроскопами. В рамках данного исследования были сформулированы следующие задачи: 1. Изучение существующих алгоритмов, решающих схожие задачи. 2. Разработка алгоритма машинного обучения для автоматической сегментации флуоресцентных сфер. 3. Разработка алгоритма глубокого обучения денойзинга (шумоподавления) для трёхмерных изображений. 4. Создание онлайн-сервиса, обеспечивающего взаимодействие с реализованными алгоритмами. В результате проделанной работы был разработан онлайн-сервис, включающий в себя следующий функционал: 1. Ручной и автоматический подходы к сегментации флуоресцентных сфер. Автоматический подход базировался на методах компьютерного зрения. 2. Алгоритм глубокого обучения для денойзинга трёхмерных изображений, основанный на сети Noise2Noise (N2N) и фильтре Non-local means (NLM), обучен и протестирован на данных из разных микроскопов. 3. Реализованный метод деконволюции Ричарсдона-Люси для генерация эксперментальной функции рассеяния точки (эФРТ) и улучшения трёхмерных изображений. По итогам работы сделан вывод, что онлайн-сервис эффективен для получения более точных изображений клеточных структур и материалов, что позволяет детально анализировать наблюдаемые объекты в медико-биологических исследованиях.

This work is devoted to the development of an online service that produces various processes to improve the quality of three-dimensional images of small-sized luminescent objects recorded by confocal microscopes. The following objectives were formulated as part of this research: 1. Study of existing algorithms that solve similar problems. 2. Development of a machine learning algorithm for automatic segmentation of fluorescent spheres. 3. Development of a deep learning denoising (noise reduction) algorithm for three-dimensional images. 4. Creation of an online service that provides interaction with the implemented algorithms. As a result of this work, an online service was developed that includes the following functionality: 1. Manual and automatic approaches to fluorescent sphere segmentation. The automatic approach was based on computer vision methods. 2. A deep learning algorithm for denoising 3D images based on Noise2Noise (N2N) network and Non-local means (NLM) filter is trained and tested on data from different microscopes. 3. Implemented Richardsdon-Lucy deconvolution method to generate expert point scattering function (ePRF) and improve 3D images. It is concluded that the online service is effective in obtaining more accurate images of cellular structures and materials, which allows detailed analysis of observed objects in biomedical research.

• Онлайн-сервис ИИ-деконволюции и денойзинга для конфокальных микроскопов
  • Введение
  • 1. Постановка задачи и обзор литературы
  • 2. Описание методов
  • 3. Результаты
  • Список использованных источников