λSplit: 蛍光顕微鏡のための自己教師ありコンテンツ対応型スペクトルアンミキシング

Abstract

蛍光顕微鏡では、スペクトルアンミキシングは、混合した蛍光色素の発光を捉えるスペクトル画像から、個々の蛍光色素の濃度を復元することを目的とします。古典的手法は画素ごとに動作し、最小二乗フィッティングに依存するため、発光スペクトルの重なりが大きくなり、かつノイズが増えるほど性能が低下します。そこで、構造的な事前知識（構造プリオル）を学習して活用できるデータ駆動型のアプローチが、より良い結果につながる可能性があります。スペクトルイメージングのための学習ベース手法は存在しますが、それらは(1) 顕微鏡データ向けに最適化されていないか、あるいは(2) 蛍光顕微鏡の設定に適用できない非常に特定のケースのために開発されたものです。これに対処するために、本研究では、階層型の変分オートエンコーダ（Variational Autoencoder）を用いて、濃度マップ上の条件付き分布を学習する物理情報（physics-informed）型の深層生成モデルである {}Split を提案します。完全に微分可能なスペクトルミキサ（Spectral Mixer）が、画像形成プロセスとの整合性を強制し、学習された構造プリオルが最先端のアンミキシングと、暗黙的なノイズ除去を可能にします。3つの実世界データセットに対して {}Split を適用し、それらを合計66件の難しいスペクトルアンミキシングのベンチマークとして合成的に構築したことを示します。結果を、古典的手法およびさまざまな学習ベース手法を含む合計10種類のベースライン手法と比較します。その結果は一貫して、競争力のある性能と、高ノイズ環境、スペクトルの重なりがかなり大きい場合、またはスペクトルの次元数が低く抑えられる場合における頑健性の向上を示し、これにより {}Split は蛍光顕微鏡データのスペクトルアンミキシングにおける新たな最先端（state-of-the-art）であることが分かります。重要な点として、 {}Split は標準的な共焦点顕微鏡（confocal microscopes）で生成されたスペクトルデータと互換性があり、専門的なハードウェア改造なしで即座に導入できます。