کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6854329 1437423 2016 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Developing learning based intelligent fusion for deblurring confocal microscopic images
ترجمه فارسی عنوان
توسعه ی هوش مصنوعی مبتنی بر یادگیری برای حذف تصاویر میکروسکوپی پاپوکال
کلمات کلیدی
ترجمه چکیده
تقاضای تصاویر میکروسکوپی پافوکال با کیفیت بالا برای وظایف مهم مانند مطالعه بافت های زنده در حل و فصل سلولی و تشخیص بیماری ها افزایش می یابد. نتایج چنین کارهایی اغلب تحت تأثیر تاری در تصاویر میکروسکوپی قرار می گیرند. حذف تاری از تصاویر میکروسکوپی چند فوکوس بدون خراب شدن کیفیت تصویر آنها یک کار چالش برانگیز است. تصاویر میکروسکوپی پافوآکال با به طور میانگین فریم آنها به دست می آیند. این فرآیند، آثار مبهم را نشان می دهد که کیفیت تصاویر میکروسکوپی را کاهش می دهد. در این کار، ما با همکاری تلفیقی هوشمند مبتنی بر یادگیری به منظور به حداقل رساندن آثار مبهم تصاویر میکروسکوپی کانونیکال ارائه شده است. کیفیت این تصاویر با استفاده از مدل های همجوشی فرد و گروه پیشنهاد شده بهبود می یابد. در طرح پیشنهادی، ویژگی های مبتنی بر بلوک از تصاویر مبهم استخراج می شود. سپس این ویژگی های آموزنده برای توسعه مدل های فردی طراحی شده اند که تصاویر همجوار را با استفاده از نقشه های فیوژن ساخته می شوند. اطلاعات پیش بینی شده از نقشه های همجوشی فردی سپس برای ساخت تصویر متحرک مبتنی بر گروه ترکیب می شوند. رویکرد مبتنی بر یادگیری پیشنهاد شده، نتایج کمی و کیفی بهبود یافته را نسبت به رویکردهای تلفیقی مبتنی بر قاعده نشان داده است. مدل های همجوشی پیشنهاد شده می تواند به عنوان یک ابزار مفید در فریم های میکروسکوپ پاپوکال مورد استفاده قرار گیرد تا تصاویر با کیفیت بهتر را با کاهش یافته های مصنوعی تیره تولید کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
توسعه ی هوش مصنوعی مبتنی بر یادگیری برای حذف تصاویر میکروسکوپی پاپوکال
چکیده انگلیسی
The demand of high quality confocal microscopic images is increasing for critical tasks such as study of living tissues at cellular resolution and disease diagnosis. The results of such tasks are often affected by the blur introduced in microscopic images. Removal of blur from multi-focus microscopic images without deteriorating their visual quality is a challenging task. The confocal microscopic images are obtained by averaging their frames. This process introduces the blurring artefacts that degrade the quality of microscopic images. In this work, we presented learning-based intelligent fusion to minimize the blurring artefacts of confocal microscopic images. The quality of these images is improved using the proposed individual and ensemble fusion models. In the proposed scheme, block-based features are extracted from the blurred images. These informative features are then used to develop the individual models that construct the fused images using their fusion maps. The predicted information of the individual fusion maps is then combined to construct the ensemble-based fused image. The proposed learning-based approach has demonstrated improved quantitative and qualitative results compared to rule-based fusion approaches. The proposed fusion models can be employed as a useful tool in confocal microscopy frames to generate the improved quality images with reduced blurring artefacts.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 55, October 2016, Pages 339-352
نویسندگان
, , ,