Details

Работа посвящена разработке нейросетевого метода слепой инвариантной деконволюции изображений флуоресцентной микроскопии. Для генерации физически обоснованных функций рассеяния точки разработан модуль PSFGenerator на основе модели Хансера и полиномов Цернике. Разработана модель FDUNet - итеративная сеть на основе развёрнутого проксимального градиентного спуска с FFTFormer-backbone в 2.5D-режиме, выполняющая аналитический градиентный шаг согласования с наблюдаемым изображением в пространстве Фурье. Разработана модель PSF Predictor - трёхмерный UNet-трансформер с входно-зависимым частотным фильтром для слепого предсказания функции рассеяния точки. Сравнительный анализ на реальных данных флуоресцентной микроскопии показал, что FDUNet демонстрирует преимущество перед сверточными методами в условиях сильного шума: частотный анализ в пространстве Фурье позволяет эффективнее отделять шум от сигнала. При умеренном и слабом шуме различие между FDUNet и сверточными методами незаметно, подходы достигают сопоставимых метрик качества восстановления.

The work is devoted to the development of a neural network method for blind invariant deconvolution of fluorescence microscopy images. A PSFGenerator module based on the Hanser model and Zernike polynomials was developed for physically grounded point spread function generation. The FDUNet model was developed - an iterative network based on unrolled proximal gradient descent with an FFTFormer backbone operating in 2.5D mode, performing an analytical gradient step consistent with the observed image in Fourier space. The PSF Predictor model was developed - a 3D UNet-transformer with an input-dependent frequency filter for blind prediction of the point spread function from a degraded image. Comparative analysis on real fluorescence microscopy data demonstrated that FDUNet exhibits an advantage over convolutional methods under high-noise conditions: frequency-domain processing in Fourier space enables more effective separation of noise from signal. Under moderate and low noise levels, the difference between FDUNet and convolutional methods is negligible - the approaches achieve comparable restoration quality metrics.