PROPOSTE DI TESI e/o STAGE

Deep learning per l'image restoration su immagini di immunoistochimica e micoscopia in fluorescenza

 
 
Immagine Grisan Enrico
Deep learning per l'image restoration su immagini di immunoistochimica e micoscopia in fluorescenza
di Grisan Enrico - martedì, 21 marzo 2017, 16:27
 

Da pochi anni (2014) è stata mostrata la possibilità di ottenere una immagine (e in generale un segnale) priva degli artefatti e delle distorsioni dovute al sistema di acquisizione senza modellare esplicitamente il sistema, invertendo il processo tramite deconvoluzione.

Questo è possibile attraverso una rete neurale convoluzionale, il cui addestramento consiste nel riuscire a mappare coppie di immagini distorte e pulite. Questo procedimento richiede un numero molto elevato di coppie di immagini per addestrare la rete. Tanto più generali sono le distorsioni da prendere in considerazioni, tanto maggiore sarà la numerosità dei dati di addestramento necessaria.




Lo scopo della tesi è di esplorare la possibilità di creare delle reti neurali convoluzionali che rimuovano gli artefatti e le distorsioni da ogni immagine addestrandosi su parte dell’immagine stessa. 


Pur essendo il problema mal posto dal punto di vista generale, nel caso in cui almeno parte dell’immagine possa generare delle coppie distorte/pulite (ad esempio assumendo che il segnale luminoso di un fluoroforo in microscopia confocale debba essere un disco di dimensione nota, o che il segnale proveniente da una micrbolla in ecografia con mezzo di contrasto abbia una dimensione  conosciuta), si ipotizza che qeusto procedimento sia possibile.