Deep Learning para Microscopía de Superresolución

Abstract

El problema principal que este trabajo anual ha solucionado ha sido el aumento artificialde la resolución de imágenes procedentes de microscopios electrónicos. Los centros deinvestigación biomédica suelen contar con un limitado número de microscopios de super-resolución y la detección de ciertos patrones sólo se puede lograr a alta resolución, lo queimplica más tiempo de exposición de las muestras y/o la utilización de microscopios máscaros.Para aliviar estos problemas, este TFG propone la obtención de imágenes a baja resoluciónde forma rápida y barata, para después aumentar artificialmente su resolución utilizandotécnicas computacionales y consiguiendo así imágenes muy cercanas o equivalentes a lasque se habrían adquirido con las mismas muestras en microscopios de alta resolución.Para ello, (1) se ha estudiado profundamente el estado del arte del problema junto con laspublicaciones más relevantes, (2) se ha propuesto una solución basada en la red convo-lucional U-Net y se han realizado experimentos con sus hiperparámetros y arquitectura,y (3) se han comparado los resultados de esa propuesta con los conjuntos de datos pú-blicos del estado del arte. Las implementaciones se han realizado en Python, utilizandoprincipalmente las librerías Skimage, TensorFlow y Keras.Los resultados que se han obtenido superan los encontrados en el estado del arte en lascondiciones experimentales descritas.

AbstractThe main problem that this annual work has solved has been the artificial increase of theresolution of images from electron microscopes. Biomedical research centers usually havea limited number of super-resolution microscopes and the detection of certain patterns canonly be achieved at high resolution, which implies more time of exposure of the samplesand / or the use of more expensive microscopes.To alleviate these problems, this Bachelor’s thesis proposes obtaining low-resolution ima-ges quickly and cheaply, and then artificially increase its resolution using computationaltechniques, thus obtaining images that are very close to or equivalent to those that wouldhave been acquired with the same samples in microscopes at high resolution. For this,(1) the state of the art of the problem has been studied in depth together with the mostrelevant publications, (2) a solution based on the U-Net convolutional network has beenproposed and experiments have been carried out with its hyperparameters and architec-ture, and (3) the results of this proposal have been compared with the state of the artpublic data sets. The implementations have been carried out in Python, mainly using theSkimage, TensorFlow and Keras libraries.The results that have been obtained exceed those found in the state of the art under thedescribed experimental conditions.