La Microscopia a Super-Risoluzione (SRM) supera il limite di diffrazione imposto dalla legge di Abbe, permettendo l’osservazione cellulare su scala nanometrica, ma `e limitata da lunghi tempi di acquisizione. Per aggirare tale vincolo, si `e esplorata l’applicazione all’imaging microscopico della rete neurale Enhanced Super-Resolution Generative Adversarial Network (ESRGAN), un modello generativo sviluppato per le immagini naturali. L’obiettivo `e quello di generare immagini a super-risoluzione a partire da immagini di microscopia a bassa risoluzione, acquisite in un tempo significativamente pi`u breve. Il modello `e stato adattato al nuovo tipo di immagini tramite la tecnica del transfer-learning. La procedura proposta `e stata implementata per l’imaging di microtubuli cellulari, ottenendo immagini che presentano strutture continue, migliorando la fedelt`a della rappresentazione delle loro reali strutture filamentose. Le immagini generate, valutate attraverso metriche quali PSNR e SSIM e la validazione umana esperta, provano che un approccio di deep learning `e adatto alla microscopia e ha il potenziale per accelerare l’analisi cellulare nel contesto della fisica medica.
Sviluppo di un modello di intelligenza artificiale generativa per immagini di microscopia a super-risoluzione.
Cella Zanacchi F.;Fantacci M. E.;Lizzi F.;Noferi B.;Scapicchio C.;
2024-01-01
Abstract
La Microscopia a Super-Risoluzione (SRM) supera il limite di diffrazione imposto dalla legge di Abbe, permettendo l’osservazione cellulare su scala nanometrica, ma `e limitata da lunghi tempi di acquisizione. Per aggirare tale vincolo, si `e esplorata l’applicazione all’imaging microscopico della rete neurale Enhanced Super-Resolution Generative Adversarial Network (ESRGAN), un modello generativo sviluppato per le immagini naturali. L’obiettivo `e quello di generare immagini a super-risoluzione a partire da immagini di microscopia a bassa risoluzione, acquisite in un tempo significativamente pi`u breve. Il modello `e stato adattato al nuovo tipo di immagini tramite la tecnica del transfer-learning. La procedura proposta `e stata implementata per l’imaging di microtubuli cellulari, ottenendo immagini che presentano strutture continue, migliorando la fedelt`a della rappresentazione delle loro reali strutture filamentose. Le immagini generate, valutate attraverso metriche quali PSNR e SSIM e la validazione umana esperta, provano che un approccio di deep learning `e adatto alla microscopia e ha il potenziale per accelerare l’analisi cellulare nel contesto della fisica medica.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
