[论文解读] A Poisson-Gaussian Denoising Dataset with Real Fluorescence Microscopy Images

Yide Zhang, Yinhao Zhu+5 more|arXiv (Cornell University)|Dec 26, 2018

Cell Image Analysis Techniques参考文献 32被引用 14

一句话总结

本论文介绍了荧光显微镜去噪（FMD）数据集，该数据集包含12,000张来自共聚焦、双光子和宽场显微镜的真实荧光显微图像，其噪声为泊松-高斯噪声。通过每张样本的50张原始图像平均处理，作者生成了高质量的真值图像及五种不同噪声等级的变体，从而实现了对10种去噪算法的基准测试。深度学习模型表现出当前最优性能，并可在GPU上实现实时去噪。

ABSTRACT

Fluorescence microscopy has enabled a dramatic development in modern biology. Due to its inherently weak signal, fluorescence microscopy is not only much noisier than photography, but also presented with Poisson-Gaussian noise where Poisson noise, or shot noise, is the dominating noise source. To get clean fluorescence microscopy images, it is highly desirable to have effective denoising algorithms and datasets that are specifically designed to denoise fluorescence microscopy images. While such algorithms exist, no such datasets are available. In this paper, we fill this gap by constructing a dataset - the Fluorescence Microscopy Denoising (FMD) dataset - that is dedicated to Poisson-Gaussian denoising. The dataset consists of 12,000 real fluorescence microscopy images obtained with commercial confocal, two-photon, and wide-field microscopes and representative biological samples such as cells, zebrafish, and mouse brain tissues. We use image averaging to effectively obtain ground truth images and 60,000 noisy images with different noise levels. We use this dataset to benchmark 10 representative denoising algorithms and find that deep learning methods have the best performance. To our knowledge, this is the first real microscopy image dataset for Poisson-Gaussian denoising purposes and it could be an important tool for high-quality, real-time denoising applications in biomedical research.

研究动机与目标

• 为解决缺乏专用于荧光显微镜的、真实存在的泊松-高斯去噪数据集的问题。
• 利用来自多种成像模式和生物样本的真实显微图像，创建一个高质量、公开可用的数据集。
• 实现在荧光成像中真实世界噪声特性的去噪算法基准测试。
• 在不同噪声水平和成像条件下，评估经典方法与基于深度学习的去噪方法的性能。
• 支持动态生物医学成像应用中的实时、高质量去噪。

提出的方法

• 对每张样本的50张原始噪声图像进行图像平均，以生成高保真度的真值图像，最大限度减少噪声同时保留结构细节。
• 获取了12,000张真实荧光显微图像，涵盖三种成像模式：共聚焦、双光子和宽场显微镜。
• 包含三种生物样本：细胞、斑马鱼和小鼠脑组织，确保涵盖多样的生物与成像条件。
• 通过改变曝光时间与激光功率，生成了60,000张具有五种不同噪声等级的噪声图像。
• 对10种去噪算法（包括VST-BM3D、PURE-LET、DnCNN和Noise2Noise）在单通道和多通道图像上进行基准测试。
• 使用PSNR和SSIM指标在原始、未见过的测试图像上进行评估，并在CPU和GPU上测量推理速度。

实验结果

研究问题

• RQ1 在具有泊松-高斯噪声的真实荧光显微图像上，基于深度学习的去噪模型相较于经典方法的性能表现如何？
• RQ2 对原始帧进行图像平均在多大程度上能产生可靠的真值，以用于去噪算法的训练与基准测试？
• RQ3 在FMD数据集上训练的深度学习模型能否实现实时推理速度，适用于动态或活细胞成像？
• RQ4 不同噪声等级和成像模式如何影响去噪算法的相对性能？
• RQ5 在Noise2Noise设置下，批量归一化和残差学习等网络架构组件对去噪性能有何影响？

主要发现

• 深度学习模型，尤其是DnCNN和Noise2Noise，显著优于经典方法（如BM3D和KSVD），在多通道BPAE细胞图像上实现了超过36 dB的PSNR值。
• Noise2Noise结合批量归一化在多通道共聚焦图像上实现了36.35 dB的PSNR，某些情况下甚至超过了监督学习模型DnCNN。
• DnCNN在BPAE细胞上实现了36.15 dB的PSNR，在斑马鱼胚胎上实现了32.35 dB的PSNR，表明其在不同样本和成像模式间具有强大的泛化能力。
• 当在GPU上运行时，深度学习模型的去噪速度降低至每256×256图像块低于1 ms，支持每秒处理高达100帧的实时处理。
• 与非残差变体相比，DnCNN中的残差学习将性能提升了0.5–1 dB，证实了其在该去噪场景下的有效性。
• FMD数据集已公开获取，网址为http://tinyurl.com/y6mwqcjs，同时提供基准测试代码，支持可重现的评估与未来算法开发。