Multiphoton fluorescent images with a spatially varying background signal: a ML deconvolution method
Notice bibliographique
Résumé
By means of multiphoton laser scanning microscopy, neuroscientists can look inside the brain deeper than has ever been possible before. Multiphoton fluorescent images, as all optical images, suffer from degradation caused by a variety of sources (e.g. light dispersion and absorption in the tissue, laser fluctuations, spurious photodetection and staining deficiency). From a modelling perspective, such degradations can be considered the sum of stochastic noise and a background signal. Among the methods proposed in the literature to perform image deconvolution in either confocal or multiphoton fluorescent microscopy, Vicidomini et al. (2009) were the first to incorporate models for noise (a Poisson process) and background signal (spatially constant) in the context of regularized inverse problems. Unfortunately, the so-called split-gradient deconvolution method (SGM) they used did not consider possible spatial variations in the background signal. In this paper, we extend the SGM by adding a maximum-likelihood estimation step for the determination of a spatially varying background signal. We demonstrate that the assumption of a constant background is not always valid in multiphoton laser microscopy and by using synthetic and actual multiphoton fluorescent images, we evaluate the face of validity of the proposed method, and compare its accuracy with the previously introduced SGM algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».