|
|
Publications de Z. Kam
Résultat de la recherche dans la liste des publications :
3 Rapports de recherche et Rapports techniques |
2 - Parametric blind deconvolution for confocal laser scanning microscopy-proof of concept.
P. Pankajakshan et L. Blanc-Féraud et B. Zhang et Z. Kam et J.C. Olivo-Marin et J. Zerubia. Rapport de Recherche 6493, INRIA, avril 2008.
Mots-clés : Confocal Laser Scanning Microscopy, Bayesian restoration, Blind Deconvolution, point spread function, Richardson-Lucy algorithm, Variation totale.
Copyright : ARIANA/INRIA
@TECHREPORT{ppankajakshan08b,
|
| author |
= |
{Pankajakshan, P. and Blanc-Féraud, L. and Zhang, B. and Kam, Z. and Olivo-Marin, J.C. and Zerubia, J.}, |
| title |
= |
{Parametric blind deconvolution for confocal laser scanning microscopy-proof of concept}, |
| year |
= |
{2008}, |
| month |
= |
{avril}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{6493}, |
| url |
= |
{https://hal.inria.fr/inria-00269265}, |
| pdf |
= |
{http://hal.inria.fr/docs/00/27/02/92/PDF/report.pdf}, |
| keyword |
= |
{Confocal Laser Scanning Microscopy, Bayesian restoration, Blind Deconvolution, point spread function, Richardson-Lucy algorithm, Variation totale} |
| } |
Résumé :
Nous proposons une méthode de restauration itérative d’images de fluorescence
CLSM et d’estimation paramétrique de la fonction de flou (PSF) du système d’acquisition.
Le CLSM est un microscope qui balaye un échantillon en 3D et utilise une sténopée pour
rejeter la lumière en dehors du point de focalisation. Néanmoins, la qualité des images
souffre de deux limitations physiques. La première est due à la diffraction due au système
optique et la seconde est due à la quantité réduite de lumière détectée par le tube
photo-multiplicateur (PMT). Ces limitations induisent respectivement un flou et du bruit
de comptage de photons. Les images peuvent alors bénéficier d’un post-traitement de
restauration fondé sur la déconvolution. Le problème à traiter est l’estimation simultanée
de la distribution 3D de l’échantillon des sources fluorescentes et de la PSF du microscope
(i.e. de déconvolution aveugle). En utilisant un modèle de processus physique
d’acquisition d’images microscopiques (CLSM), on réduit le nombre de paramètres libres
décrivant la PSF et on introduit des contraintes. On introduit aussi des connaissances a
priori sur l’échantillon ce qui permet de stabiliser le processus d’estimation et de favoriser
la convergence. Des expériences sur des données synthétiques montrent que la PSF peut
être estimée avec précision. Des expériences sur des données réelles montrent de bons
resultats de déconvolution en comparaison avec le modèle théorique de la PSF du microscope. |
Abstract :
We propose a method for the iterative restoration of fluorescence Confocal Laser Scanning Microscope (CLSM) images with parametric estimation of the acquisition system’s Point Spread Function (PSF). The CLSM is an optical fluorescence microscope that scans a specimen in 3D and uses a pinhole to reject most of the out-of-focus light. However, the quality of the image suffers from two primary physical limitations. The first is due to the diffraction-limited nature of the optical system and the second is due to the reduced amount of light detected by the photomultiplier tube (PMT). These limitations cause blur and photon counting noise respectively. The images can hence benefit from post-processing restoration methods based on deconvolution. An efficient method for parametric blind image deconvolution involves the simultaneous estimation of the specimen 3D distribution of fluorescent sources and the microscope PSF. By using a model for the microscope image acquisition physical process, we reduce the number of free parameters describing the PSF and introduce constraints. The parameters of the PSF may vary during the course of experimentation, and so they have to be estimated directly from the observation data. We also introduce a priori knowledge of the specimen that permits stabilization of the estimation process and favorizes the convergence. Experiments on simulated data show that the PSF could be estimatedwith a higher degree of accuracy and those done on real data show very good deconvolution results in comparison to the theoretical microscope PSF model. |
|
3 - 3D Microscopy Deconvolution using Richardson-Lucy Algorithm with Total Variation Regularization.
N. Dey et L. Blanc-Féraud et C. Zimmer et P. Roux et Z. Kam et J.C. Olivo-Marin et J. Zerubia. Rapport de Recherche 5272, INRIA, France, juillet 2004.
Mots-clés : Microscopie confocale, Deconvolution, Reponse impulsionnelle, Variation totale.
@TECHREPORT{5272,
|
| author |
= |
{Dey, N. and Blanc-Féraud, L. and Zimmer, C. and Roux, P. and Kam, Z. and Olivo-Marin, J.C. and Zerubia, J.}, |
| title |
= |
{3D Microscopy Deconvolution using Richardson-Lucy Algorithm with Total Variation Regularization}, |
| year |
= |
{2004}, |
| month |
= |
{juillet}, |
| institution |
= |
{INRIA}, |
| type |
= |
{Research Report}, |
| number |
= |
{5272}, |
| address |
= |
{France}, |
| url |
= |
{http://hal.inria.fr/inria-00070726/fr/}, |
| pdf |
= |
{https://hal.inria.fr/file/index/docid/70726/filename/RR-5272.pdf}, |
| ps |
= |
{http://hal.inria.fr/docs/00/07/07/26/PS/RR-5272.ps}, |
| keyword |
= |
{Microscopie confocale, Deconvolution, Reponse impulsionnelle, Variation totale} |
| } |
Résumé :
La microscopie confocale (Confocal laser scanning microscopy ou microscopie confocale à balayage laser) est une méthode puissante de plus en plus populaire pour l'imagerie 3D de spécimens biologiques. Malheureusement, les images acquises sont dégradées non seulement par du flou dû à la lumière provenant de zones du spécimen non focalisées, mais aussi par un bruit de Poisson dû à la détection, qui se fait à faible flux de photons. Plusieurs méthodes de déconvolution ont été proposées pour réduire ces dégradations, avec en particulier l'algorithme itératif de Richardson-Lucy, qui calcule un maximum de vraisemblance adapté à une statistique poissonienne. Mais cet algorithme utilisé comme tel ne converge pas nécessairement vers une solution adaptée, car il tend à amplifier le bruit. Si par contre on l'utilise avec une contrainte de régularisation (connaissance a priori sur l'objet que l'on cherche à restaurer, par exemple), Richardson-Lucy régularisé converge toujours vers une solution adaptée, sans amplification du bruit. Nous proposons ici de combiner l'algorithme de Richardson-Lucy avec une contrainte de régularisation basée sur la Variation Totale, dont l'effet d'adoucissement permet d'éviter les oscillations d'intensité tout en préservant les bords des objets. Nous montrons sur des images synthétiques et sur des images réelles que cette contrainte de régularisation améliore les résultats de la déconvolution à la fois qualitativement et quantitativement. Nous comparons plusieurs méthodes de déconvolution bien connues à la méthode que nous proposons, comme Richardson-Lucy standard (pas de régularisation), Richardson-Lucy régularisé avec Tikhonov-Miller, et un algorithme basé sur la descente de gradients (sous l'hypothèse d'un bruit additif gaussien). |
Abstract :
Confocal laser scanning microscopy is a powerful and increasingly popular technique for 3D imaging of biological specimens. However the acquired images are degraded by blur from out-of-focus light and Poisson noise due to photon-limited detection. Several deconvolution methods have been proposed to reduce these degradations, including the Richardson-Lucy iterative algorithm, which computes a maximum likelihood estimation adapted to Poisson statistics. However this algorithm does not necessarily converge to a suitable solution, as it tends to amplify noise. If it is used with a regularizing constraint (some prior knowledge on the data), Richardson-Lucy regularized with a well-chosen constraint, always converges to a suitable solution. Here, we propose to combine the Richardson-Lucy algorithm with a regularizing constraint based on Total Variation, whose smoothing avoids oscillations while preserving object edges. We show on simulated and real images that this constraint improves the deconvolution results both visually and using quantitative measures. We compare several well-known deconvolution methods to the proposed method, such as standard Richardson-Lucy (no regularization), Richardson-Lucy with Tikhonov-Miller regularization, and an additive gradient-based algorithm. |
|
 haut de la page
Ces pages sont générées par 
|
Nouvelle page de démos
bibtex
