Оптимизационный метод реконструкции изображения для сверхразрешающей микроскопии структурированного освещения

Беззубик В.В., Белашенков Н.Р., Васильев В.Н., Иночкин Ф.М.

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Беззубик В.В., Белашенков Н.Р., Васильев В.Н., Иночкин Ф.М. Оптимизационный метод реконструкции изображения для сверхразрешающей микроскопии структурированного освещения // Оптический журнал. 2019. Т. 86. № 12. С. 3–14. http://doi.org/10.17586/1023-5086-2019-86-12-03-14

Bezzubik V.V., Belashenkov N.R., Vasiliev V.N., Inochkin F.M. Optimization-based image reconstruction method for super-resolution structured-illumination microscopy [in Russian] // Opticheskii Zhurnal. 2019. V. 86. № 12. P. 3–14. http://doi.org/10.17586/1023-5086-2019-86-12-03-14

Ссылка на англоязычную версию:

V. V. Bezzubik, N. R. Belashenkov, V. N. Vasilyev, and F. M. Inochkin, "Optimization-based image reconstruction method for super-resolution structured-illumination microscopy," Journal of Optical Technology. 86(12), 748-757 (2019). https://doi.org/10.1364/JOT.86.000748

Аннотация:

Рассматривается проблема реконструкции изображений в цифровой форме с разрешением, превосходящим предельное разрешение дифракционно ограниченной системы, по набору изображений с пространственно-модулированным освещением. Описывается метод реконструкции, основанный на численноаналитическом решении задачи минимизации функционала невязки массива регистрируемых изображений c их математической моделью. Рассмотрены модели плоского и объёмного объектов, продемонстрирована эффективность предложенного метода в вычислительных экспериментах. По сравнению с классическим методом реконструкции, предлагаемый метод отличается большей устойчивостью к отклонениям параметров системы от расчётных, обеспечивает возможность автоматической оценки параметров пространственной модуляции освещения, позволяет использовать априорные сведения о реконструируемом сигнале. Полученные результаты могут быть применены при разработке программ реконструкции изображений в микроскопии структурированного освещения.

Ключевые слова:

дифракционный предел, оптическое сверхразрешение, микроскопия структурированного освещения, восстановление изображений, деконволюция, оптимизационная задача, метод сопряжённых градиентов, итерационный алгоритм

Благодарность:

Работа выполнена в Университете ИТМО при финансовой поддержке Министерства науки и высшего образования Российской Федерации (проект № 074-11-2018-004).

Коды OCIS: 100.3010, 100.664, 100.3190, 100.1830, 180.2520, 120.4120

Список источников:

1. Schermelleh L., Heintzmann R., Leonhardt H. A guide to super-resolution fluorescence microscopy // J. Cell. Biol. 2010. V. 190. P. 165–175.
2. Tam J., Merino D. Stochastic optical reconstruction microscopy (STORM) in comparison with stimulated emission depletion (STED) and other imaging methods // J. Neurochem. 2015. V. 135. P. 643–658.
3. Rust M.J., Bates M., Zhuang X. Sub-diffraction-limit imaging by stochastic optical reconstruction microscopy (STORM) // Nature Methods. 2006. V. 3. № 10. P. 793–796.
4. Betzig E., Patterson G.H., Sougrat R. et al. Imaging intracellular fluorescent proteins at nanometer resolution // Science. 2006. V. 313. № 5793. P. 1642–1645.
5. Hess S.T., Girirajan T.P.K., Mason M.D. Ultra-high resolution imaging by fluorescence photoactivation localization microscopy // Biophysical Journal. 2006. V. 91. № 11. P. 4258–4272.
6. Hell S.W., Wichmann J. Breaking the diffraction resolution limit by stimulated emission: stimulated-emission-depletion fluorescence microscopy // Optics Letters. 1994. V. 19. № 11. P. 780.
7. Zheng G., Horstmeyer R., Yang C. Wide-field, high-resolution Fourier ptychographic microscopy // Nature Photonics. 2013. V. 7. № 9. P. 739–745.
8. Heintzmann R., Cremer C.G. Laterally modulated excitation microscopy: improvement of resolution by using a diffraction grating // Optical Biopsies and Microscopic Techniques III. Proceedings of the SPIE 3568. Stockholm, Sweden, 8–12 September 1998. SPIE: Bellingham, WA, USA, 1999. P. 185–197.
9. Gustafsson M.G.L. Surpassing the lateral resolution limit by a factor of two using structured illumination microscopy // Journal of Microscopy. 2000. V. 198. № 2. P. 82–87.
10. Gustafsson M.G., Shao L., Carlton P.M. et al. Three-dimensional resolution doubling in wide-field fluorescence microscopy by structured illumination // Biophys. J. 2008. V. 94. P. 4957–4970.
11. Kner P., Chhun B., Griffis E.R. et al. Super-resolution video microscopy of live cells by structured illumination // Nat. Methods. 2009. V. 6. P. 339–342.
12. Dan D., Lei M., Yao B. et al. DMD-based LED-illumination Super-resolution and optical sectioning microscopy // Scientific Reports. 2013. V. 3. № 1116. P. 1–7.
13. Gustafsson M.G. Nonlinear structured-illumination microscopy: wide-field fluorescence imaging with theoretically unlimited resolution // Proc. Natl Acad. Sci. USA. 2005. V. 102. P. 13081–13086.
14. Rego E.H., Shao L., Macklin J.J., Winoto L., Johansson G.A., Kamps-Hughes N. et al. Nonlinear structured-illumination microscopy with a photoswitchable protein reveals cellular structures at 50-nm resolution // Proc. Natl Acad. Sci. USA. 2012. V. 109. P. E135–E143.

15. Mertz J., Kim J. Scanning light-sheet microscopy in the whole mouse brain with HiLo background rejection // Journal of Biomedical Optics. 2010. V. 15. № 1. P. 016027.
16. Lal А., Shan C., Xi P. Structured illumination microscopy image reconstruction algorithm // IEEE J. Sel. Top. Quantum Electron. 2016. V. 22. P. 50–63.
17. Xing Zhou, Ming Lei, Dan Dan et al. Image recombination transform algorithm for superresolution structured illumination microscopy // J. Biomed. Opt. V. 21. № 9. P. 096009.
18. Yanwei Zhang, Song Lang, Hongwei Wang et al. Super-resolution algorithm based on Richardson–Lucy deconvolution for three-dimensional structured illumination microscopy // J. Opt. Soc. Am. A. 2019. V. 36. P. 173–178.
19. Muller M., Monkemoller V., Henning S. et al. Open-source image reconstruction of super-resolution structured illumination microscopy data in Image J. Nat. Commun. 2016. V. 7. P. 10980.
20. Orieux F., Sepulveda E., Loriette V. et al. Bayesian estimation for optimized structured illumination microscopy // IEEE Trans. Image Process. 2012. V. 21. № 2. P. 601–614.
21. Verveer P.J., Jovin T.M. Efficient superresolution restoration algorithms using maximum of posteriori estimations with application to fluorescence microscopy // J. Opt. Soc. Am. A. 1997. V. 14. № 8. P. 1696–1706.
22. Lane R.G. Methods for maximum-likelihood deconvolution // J. Opt. Soc. Am. A 13. 1996. P. 1992–1998.
23. Черноруцкий И.Г. Методы оптимизации. Компьютерные технологии. СПб.: БХВ-Петербург, 2011. 384 с.
24. Inochkin F.M., Pozzi P., Bezzubik V.V. et al. Increasing the space-time product of super-resolution structured illumination microscopy by means of two-pattern illumination // Optical Measurement Systems for Industrial Inspection X: Proc. SPIE. Munich. 2017. V. 10330. P. 1–11.
25. Zibulevsky M., Elad M. L1-L2 optimization in signal and image processing // IEEE Signal Processing Magazine. 2010. V. 27. № 3. P. 76–88.
26. Beck A., Teboulle M. Fast gradient-based algorithms for constrained total variation image denoising and deblurring problems // IEEE Transactions on Image Processing. 2009. V. 18. № 11. P. 2419–2434.
27. Panagiotopoulou A. Regularized super-resolution image reconstruction employing robust error norms // Optical Engineering. 2009. V. 48. № 11. P. 117004.
28. Farsiu S., Robinson M.D., Elad M., Milanfar P. Fast and robust multi-frame super-resolution // IEEE Transactions on Image Processing. 2004. V. 13. № 10. P. 1327–1344.