Deconvolution Toolkit Methoden für die Berechnung optischer Schnitte in den Biowissenschaften
Selbst fortschrittlichste Imaging-Systeme haben mit unvermeidbarer Bildunschärfe zu kämpfen, die durch optische und elektronische Bauteile hervorgerufen wird. Glücklicherweise können computergestützte Dekonvolutionsmethoden hier Abhilfe schaffen. Das Deconvolution Toolkit umfasst eine Sammlung solcher Algorithmen für biowissenschaftliche Anwendungen.
Verbessern Sie Ihre Bildqualität durch das Beseitigen von Bildunschärfen
Packen Sie das Problem an der Wurzel
Bildunschärfe entsteht unweigerlich aufgrund der Gesetze der optischen Physik und durch den Einsatz elektronischer Bauteile in Imaging-Systemen. Das beeinträchtigt Bildqualitätsmetriken wie Signal-Rausch-Verhältnis, Bildkontrast, axiale Auflösung und laterale Auflösung. Mithilfe der Dekonvolution können Sie diese Bildqualitätsmetriken einzeln (oder gebündelt) optimieren.
Bild: Kortikale Primärkultur einer Ratte, Projektion (verbesserte Abbildungstiefe) von 4-Kanal-Z-Ebenen, GPU-basierte Dekonvolution. Probe mit freundlicher Genehmigung von H. Braun, LSM Bioanalytik GmbH, Magdeburg, Deutschland
Eine Vielfalt von Algorithmen, abgestimmt auf Ihre Anforderungen
Wählen Sie entsprechend Ihren Prioritäten: von der Verarbeitungsgeschwindigkeit bis zur kompromisslosen Bildqualität
Es wurde bereits eine Reihe verschiedener Dekonvolutionsalgorithmen entwickelt. Einige Methoden arbeiten schnell und reichen bei Systemen mit geringer Unschärfe aus. Systeme mit stärkerer Unschärfe verlangen dagegen nach komplexeren Algorithmen, die deutlich mehr Rechnerkapazität und Zeit in Anspruch nehmen. Diese Algorithmen können auch größere Probleme beheben und liefern überragende Bildergebnisse, doch die Verarbeitungsdauer ist manchmal ein zu großes Hindernis. Das ZEN Deconvolution Toolkit enthält eine Sammlung von Algorithmen, aus der Sie die jeweils beste Alternative für Ihre individuellen Versuchs- und Nachbearbeitungsanforderungen auswählen können.
Verbessern Sie Bilder aus verschiedenen Imaging-Systemen
Dekonvolution – ein Hilfsmittel nicht nur für die Weitfeldmikroskopie
Dekonvolution gilt üblicherweise als Hilfsmittel für die Weitfeld-Fluoreszenzmikroskopie, doch Unschärfe tritt aufgrund optischer und elektronischer Bauteile bei allen Imaging-Systemen auf. Konventionelles Weitfeld, Apotome, LSM-System oder Lattice Lightsheet 7 – alle diese Imaging-Systeme können von einer Einbindung der Dekonvolution in Ihre Workflows für die Bildverarbeitung profitieren. Für die einzelnen Imaging-Systeme werden jeweils eigene Algorithmen empfohlen, um optimale Ergebnisse zu erzielen.
Anwenderfreundlich und für Höchstleistungen optimiert
Verbesserte Funktionen automatisieren Ihren Workflow
Die Algorithmen im Deconvolution Toolkit wurden mit Blick auf überragende Anwenderfreundlichkeit und hohe Leistung optimiert. ZEN liest die Metadaten des Bildes aus und ermittelt automatisch die Punktspreizfunktion (Point Spread Function, PSF) des optischen Systems, um die optimalen Einstellungen für die Dekonvolution festzulegen. Die Algorithmen werden per GPU- oder sogar mGPU-Verarbeitung um mehr als das Zehnfache beschleunigt. Um die Ergebnisse schneller zu erreichen, können alle Dekonvolutionsalgorithmen während der Bildaufnahme mit ZEN Direct Processing ausgeführt werden. Der verlustlose Datenkomprimierungsalgorithmus Zstandard (zstd) beschleunigt die ressourcenintensive Verarbeitung zusätzlich.
Bild: U2OS-Zellen mit markierten Mitochondrien (TOM20-mCherry) und Mikrotubuli (Tubulin-GFP) vor und nach der Dekonvolution „Iterativ mit Nebenbedingungen“.
ZEN Deconvolution Toolkit – Grundlagen und Anwendung
Bildinhalt und Bildunschärfe trennen
Die Punktspreizfunktion (PSF) – Warum rauschfreie Bilder physikalisch unmöglich sind
Die Punktspreizfunktion (PSF)
Warum rauschfreie Bilder physikalisch unmöglich sind
Wird ein Objekt auf Ebene einer einzelnen Wellenlänge beobachtet, ist das Ergebnisbild zwangsläufig unscharf. Das resultierende Unschärfemuster, d. h. die Punktverwaschungsfunktion, ist jedoch bei allen Objekten ähnlich. Bei der Abbildung einer fluoreszierenden Punktquelle lässt sich dies direkt beobachten.
Dekonvolutionsprinzip – Anwendung der PSF auf digitale Bilder
Was ist Dekonvolution?
Anwendung der PSF auf digitale Bilder
Die Konvolution ist eine mathematische Operation, bei der eine Funktion durch eine andere Funktion moduliert wird. Die Bildunschärfe ist praktisch die Konvolution der realen Objekte durch die PSF. Dieser mathematische Prozess kann jedoch umgekehrt werden – und genau das passiert bei der Dekonvolution. Durch die Konvolution des unscharfen Bildes mit der Umkehrung der PSF entsteht ein entrauschtes Bild.
Feinabstimmung der Dekonvolution – Für fortgeschrittene Nutzer
Feinabstimmung der Dekonvolution
Für fortgeschrittene Nutzer
Für eine Dekonvolution in höchster Qualität werden umfassendere Informationen zur exakten PSF Ihres Systems benötigt, einschließlich der Probenpräparation. Mit ZEN können Sie eine eigene Versuchs-PSF eingeben und die optischen Parameter und die PSF anhand verschiedener Angaben feinabstimmen, darunter Probeneinbettungsmedium, Deckglasdicke, PSF-Tiefenvarianz und viele weitere Parameter.
Worin unterscheiden sich Dekonvolutionsmethoden?
Die grundlegenden Prozesse der Konvolution und Dekonvolution im Kontext der Bildunschärfe und der PSF sind der Schlüssel zum Verständnis der Dekonvolutionsalgorithmen. Jeder Dekonvolutionsalgorithmus in ZEN nutzt bestimmte Varianten davon.
Einfache Algorithmen wie Unschärfeausgleich oder Nearest Neighbor subtrahieren eine durch die PSF erzeugte Bildunschärfe vom Rohbild.
Die Umkehrfiltermethode wendet die PSF-Umkehrfunktion direkt an. Iterative Methoden wenden die PSF-Vorwärtsfunktion an, um sich dem Rohbild anzunähern.
|
|
|
|
|
---|---|---|---|---|
Dekonvolutionsmethode |
Algorithmischer Prozess |
Anwendung |
Geschwindigkeit |
Ergebnisqualität |
Unschärfeausgleich |
Subtraktion der Unschärfe von derselben Bildebene |
2D-Datensätze |
sehr schnell |
mittel (2D) |
Nearest Neighbor |
Subtraktion der Unschärfe von benachbarten Bildebenen |
3D mit begrenzter Ebenenzahl |
sehr schnell |
niedrig |
Umkehrfilter |
Anwendung der PSF-Umkehrfunktion |
Alle 3D-Ebenen |
schnell |
mittel |
Iterativ schnell (Meinel) |
Iterativ, PSF-Vorwärtsfunktion auf das prognostizierte Bild, Fehlerfunktion |
Perfekt symmetrische PSFs |
mittel |
gut |
Iterativ schnell (Richardson-Lucy) |
Iterativ, PSF-Vorwärtsfunktion, Maximum Likelihood |
Asymmetrische PSFs |
mittel |
gut |
Iterativ mit Nebenbedingungen |
Iterativ, PSF-Vorwärtsfunktion, Maximum Likelihood (optimiert) |
Goldstandard |
langsam |
sehr gut |
Standardeinstellungen und Optionen für die Dekonvolution
Für die gängigsten Imaging-Systeme
|
|
|
|
|
---|---|---|---|---|
Imaging-Modalität |
Weitfeld |
Apotome |
Konfokal |
Lightsheet |
Normierung |
Auto |
Auto |
Auto |
Auto |
Hintergrundkorrektur |
aus |
aus |
aus |
aus |
Flicker-Korrektur |
aus |
aus |
aus |
aus |
Bleichkorrektur |
aus |
aus |
aus |
aus |
Hot-Pixel-Korrektur |
aus |
aus |
aus |
aus |
Spezielle Standardeinstellungen für „Iterativ mit Nebenbedingungen“ |
||||
Stärke |
Auto |
NA |
Auto |
Manuell=5 |
Likelihood |
Poisson |
NA |
Poisson |
Poisson |
Regularisierung |
Nullte Ordnung |
NA |
Erste Ordnung |
Nullte Ordnung |
Optimierung |
Analytisch |
NA |
Liniensuche |
Analytisch |
Erste Schätzung |
Input |
NA |
Mittel |
Input |
Max. Interaktionen |
40 |
NA |
7 |
40 |
Automatisches Anhalten (%) |
0.1 |
NA |
0.1 |
0.1 |
Spezielle Standardeinstellungen für „Iterativ schnell“ |
||||
Methode |
Meinel |
NA |
Richardson-Lucy |
Meinel |
Regularisierung |
Keine |
NA |
Keine |
Keine |
Optimierung |
Keine |
NA |
Keine |
Keine |
Max. Interaktionen |
15 |
NA |
50 |
15 |
Automatisches Anhalten (%) |
0.1 |
NA |
0.1 |
0.1 |
Spezielle Standardeinstellungen für „Regularisierter Umkehrfilter“ |
||||
Regularisierung |
Nullte Ordnung |
Nullte Ordnung |
Nullte Ordnung |
Nullte Ordnung |