Publication

Deconvolution of 3D fluorescence micrographs with automatic risk minimization

Résumé

We investigate the problem of automatic tuning of a deconvolution algorithm for three-dimensional (3D) fluorescence microscopy; specifically, the selection of the regularization parameter lambda. For this, we consider a realistic noise model for data obtained from a CCD detector: Poisson photon-counting noise plus Gaussian read-out noise. Based on this model, we develop a new risk measure which unbiasedly estimates the original mean-squared-error of the deconvolved signal estimate. We then show how to use this risk estimate to optimize the regularization parameter for Tikhonov-type deconvolution algorithms. We present experimental results on simulated data and numerically demonstrate the validity of the proposed risk measure. We also present results for real 3D microscopy data.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.