Potlačování šumu v mikroskopických snímcích pomocí adaptivního non-local means filtru Jarní škola 2013 Krušné hory, Mariánská 28. května 2013
Motivace Časosběrná fluorescenční mikroskopie detekce částic Spolupráce s ÚŽFG Liběchov časosběrná konfokální mikroskopie ozáření preparátu světelným zdrojem (laserem) aktivuje fluorescenci pozorování živých preparátů: fototoxicita uvolňování volných radikálů photobleaching blednutí barviva proto se snažíme osvětlení preparátu minimalizovat snižuje se SNR potřeba potlačení šumu
Fluorescenční spoty signály
Snižující se SNR
Snímky kvasinkových kolonií
Použité články Yang et al.: An adaptive non-local means filter for denoising live-cell images and improving particle detection, Journal of Structural Biology 172 (2010), doi:10.1016/j.jsb.2010.06.019 Yang et al.: A New Framework for Particle Detection in Low-SNR Fluorescence Live-Cell Images and Its Application for Improved Particle Tracking, IEEE Trans. on Biomedical Engineering, Vol. 59, No. 7, July 2012 doi: 10.1109/TBME.2012.2196798
Stručný přehled možných odšumovacích metod průměrování, mediánový filtr jednoduché, ale snižuje rozlišení; nevhodné pro velmi nízké hodnoty SNR feature-preserving approach: non-local means (NLM) využívá redundancí (opakující se vzory) pro průměrování odbobných pixelů tzv. feature-preserving filtr řada variant edge-preserving metody: variační metody snímky z fluoresescenčního mikroskopu: drobné částice, špatně definované hrany tyto metody mohou selhávat
Adaptive non-local means filter Standardní NLM filtr Euklidovská vzdálenost pixelů podobné šedi to selhává pro nízké SNR, drobné částice Navrhovaná metoda mapa pravděpodobnosti částic non-local Haar-like features prahování pravděpodobnost částic: počet propojených pixelů/celkový počet pixelů v regionu mapa pravděpodobnosti je přídavný vstup pro NLM filter
Haar-like features V 1U1 V 2 U 2 V 2 V 3 i i U 3 i V 3 H k (i) = max {M Uk(i, s) M Vk (i, s)} s M Uk, M Vk i (x, y) s mean intensity U k, resp. V k střed oblasti měřítko
Haar-like features Lineární kombinace charakteristik 3 H(i) = c k H k (i) k=1 nepreferujeme žádný tvar ani orientaci Prahování pixel náleží k částici, jestliže H(i) λ používá se slabý práh málo FN pixelů
Mapa pravděpodobnosti částic (Particle probability image) Prahování viz minulý snímek H(i) λ Pravděpodobnost částice P(i) = ( N/N tot ) Ai A i N N tot (malá) oblast, centrovaná v i počet pixelů, které projdou prahováním a jsou propojené (4-nearest neighborhood) počet pixelů oblasti A i
Mapa pravděpodobnosti částic ukázkový snímek Haar: okna 7 7, 11 11, 17 17, 25 25, 37 37 λ = 7.0
Feature-preserving NLM filter FPNLM(F)(i) = W i prohledávací okno, centrované v i ω(i, j) = 1 A(i) ( exp j W i ω(i, j)f (j) V(N i) V(N j ) 2 2,a h 2 P(N i) P(N j ) 2 2,a g 2 ) V(N i ) intenzity z okolí N i P(N i ) pravděpodobnosti z okolí N i pro g konvenční NLM filter
Schema FP-NLM odšumění A - orig. snímek B - NLM váhy C - NLM výsledek D - pravděpodob. G - váhy E - předzpr. snímek (vyhlazení pozadí) H - váhy I - norm. váhy F - FP-NLM výsl.
Výsledky - reálný snímek
Návazná práce - PP Refinement filter Yang et al.: A New Framework for Particle Detection in Low-SNR Fluorescence Live-Cell Images and Its Application for Improved Particle Tracking Namísto filtrace na šedotónovém snímku FPNLM(F)(i) = j W i ω(i, j)f (j) používá filtraci na pravděpodobnostní mapě R(P)(i) = j W i ω(i, j)p(j) rozšířeno i o segmentaci částic, oddělení dotýkajících se částic a sledování pohybujících se částic