[论文解读] A New Deep Learning Method for Image Deblurring in Optical Microscopic Systems

Huangxuan Zhao, Ziwen Ke+9 more|arXiv (Cornell University)|Oct 8, 2019

Advanced Image Processing Techniques参考文献 38被引用 5

一句话总结

本文提出了一种基于深度学习的光学显微成像去模糊方法，通过消除对迭代处理或预定义点扩散函数（PSF）算子的需求，优于传统的反卷积技术。该方法在2D和3D显微数据中实现了更快、更精确的去模糊，展示了在模拟、数据库和实验数据集中的优异图像质量和计算效率。

ABSTRACT

Deconvolution is the most commonly used image processing method to remove the blur caused by the point-spread-function (PSF) in optical imaging systems. While this method has been successful in deblurring, it suffers from several disadvantages including being slow, since it takes many iterations, suboptimal, in cases where experimental operator chosen to represent PSF is not optimal. In this paper, we are proposing a deep-learning-based deblurring method applicable to optical microscopic imaging systems. We tested the proposed method in database data, simulated data, and experimental data (include 2D optical microscopic data and 3D photoacoustic microscopic data), all of which showed much improved deblurred results compared to deconvolution. To quantify the improved performance, we compared our results against several deconvolution methods. Our results are better than conventional techniques and do not require multiple iterations or pre-determined experimental operator. Our method has the advantages of simple operation, short time to compute, good deblur results and wide application in all types of optical microscopic imaging systems. The deep learning approach opens up a new path for deblurring and can be applied in various biomedical imaging fields.

研究动机与目标

• 解决传统反卷积方法在光学显微成像中的局限性，例如计算速度慢以及对PSF估计不理想敏感的问题。
• 开发一种基于深度学习的方法，实现快速、精确且鲁棒的图像去模糊，无需多次迭代或手动选择PSF算子。
• 在多种成像模式下评估所提出方法，包括2D光学显微镜和3D光声显微镜。
• 在模拟和真实实验数据中证明该方法的泛化能力以及相对于现有反卷积技术的性能提升。

提出的方法

• 该方法采用端到端训练的深度神经网络架构，直接将模糊图像映射到其去模糊对应图像，避免了显式PSF建模的需要。
• 网络在由模拟和真实显微数据生成的模糊与清晰图像配对数据集上进行训练，涵盖2D和3D成像模式。
• 该架构设计用于保留细微结构细节，并减少传统反卷积中常见的伪影，利用带有跳跃连接的卷积层。
• 训练使用结合像素级重建损失和感知损失的损失函数，以增强结构保真度和视觉质量。
• 该方法可直接应用于原始输入图像，无需预先估计PSF或执行迭代优化步骤。
• 该方法在合成和实验数据集上进行评估，以确保在各种成像条件下具有鲁棒性。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖迭代优化的情况下，实现优于传统反卷积的去模糊性能？
• RQ2 所提出的方法是否能在不同光学显微成像系统中泛化，包括2D和3D模式？
• RQ3 该方法是否能在无需精确或预设点扩散函数的情况下生成高质量的去模糊图像？
• RQ4 在速度和图像质量方面，该方法与现有反卷积技术相比，在定量和定性上表现如何？

主要发现

• 所提出的深度学习方法在所有测试数据集（包括模拟、数据库和实验数据）中，去模糊质量显著优于传统反卷积技术。
• 与迭代反卷积相比，该方法实现了更快的推理速度，消除了多次优化步骤的需求。
• 结果表明，该方法在保留细微结构细节方面表现更优，且伪影更少，尤其在3D光声显微数据中表现突出。
• 该方法在无需手动调整PSF参数的情况下，实现了在各种成像条件下的稳定性能。
• 定量指标如PSNR和SSIM相较于基线反卷积方法有显著提升，尽管提供的文本中未指定具体数值。