Detección con súper-resolución de estructuras ralas en imágenes ópticas mediante nuevas variantes del algoritmo SUPPOSe

Lacapmesure, Axel Mauro

Registro:

Documento:	Tesis Doctoral
Título:	Detección con súper-resolución de estructuras ralas en imágenes ópticas mediante nuevas variantes del algoritmo SUPPOSe
Título alternativo:	Super-resolved detection of sparse structures in optical images with new implementations of the SUPPOSe algorithm
Autor:	Lacapmesure, Axel Mauro
Editor:	Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
Lugar de trabajo:	Universidad de Buenos Aires. Facultad de Ingeniería. Instituto de Ingeniería Biomédica
Fecha de defensa:	2024-10-29
Fecha en portada:	29 de octubre de 2024
Grado Obtenido:	Doctorado
Título Obtenido:	Doctor de la Universidad de Buenos Aires en el área de Ciencias Físicas
Departamento Docente:	Departamento de Física
Director:	Martínez, Sandra R.
Director Asistente:	Martínez, Oscar Eduardo
Consejero:	Bragas, Andrea Verónica
Jurado:	Capeluto, María Gabriela; Pomarico, Juan A.; Torchia, Gustavo A.
Idioma:	Español
Palabras clave:	DECONVOLUCION; SUPER-RESOLUCION; MICROSCOPIA OPTICADECONVOLUTION; SUPER-RESOLUTION; OPTICAL MICROSCOPY
Formato:	PDF
Handle:	https://hdl.handle.net/20.500.12110/tesis_n7653_Lacapmesure
PDF:	https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7653_Lacapmesure.pdf
Registro:	https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7653_Lacapmesure
Ubicación:	FIS 007653
Derechos de Acceso:	Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Lacapmesure, Axel Mauro. (2024). Detección con súper-resolución de estructuras ralas en imágenes ópticas mediante nuevas variantes del algoritmo SUPPOSe. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7653_Lacapmesure

Resumen:

En esta Tesis estudiamos mejorar la resolución de imágenes ópticas mediante métodos computacionales que aprovechan el conocimiento previo sobre la muestra y el modelo de formación de imagen para extraer la mayor cantidad de información de una única adquisición. En concreto trabajamos con SUPPOSe, un algoritmo de súper-resolución para microscopías de fluorescencia basado en aproximar la muestra como una superposición de fuentes puntuales. En primer lugar, desarrollamos una nueva implementación numérica del método bajo el paradigma de optimización por gradiente descendiente diseñada para la detección de objetos ralos o de baja dimensionalidad que provee una drástica mejora en el tiempo de ejecución. Aplicamos el algoritmo sobre imágenes simuladas de microscopía de localización de molécula única donde, al combinarlo con técnicas de reducción de ruido mediante redes neuronales, detectamos múltiples fluoróforos superpuestos en condiciones de alta densidad y relación señal-ruido extremadamente baja, obteniendo un mejor desempeño que otras técnicas basadas en sensado comprimido. Asimismo procesamos imágenes experimentales del complejo del poro nuclear humano adquiridas con microscopía STED, donde corroboramos la detección de estructuras biológicas nanométricas a partir de una única adquisición incluso habiendo estimado la respuesta impulsiva del instrumento, un parámetro fundamental del algoritmo, a partir de la propia imagen. Por último extendimos la formulación del método para la caracterización de objetos volumétricos, primero en imágenes simuladas de microscopía de dos fotones y luego en imágenes experimentales de tomografía de coherencia óptica, una técnica interferométrica sin marcado que alcanza penetraciones del orden del milímetro. En estos casos logramos reconstruir objetos con tamaños por debajo de las resoluciones axial y lateral, demostrando que SUPPOSe proporciona un marco teórico versátil para el análisis computacional de imágenes ópticas mediante el modelado matemático de la señal adquirida a partir de primeros principios. En todos los casos se provee software de acceso libre junto con un exhaustivo procedimiento para la evaluación de los resultados a fin de garantizar reconstrucciones fidedignas.

Abstract:

In this thesis we study how to improve the resolution of optical images with computational methods that take advantage of prior knowledge on the sample and the image formation model to extract the maximum amount of information from a single acquisition. Specifically, we work with SUPPOSe, a super-resolution algorithm for fluorescence microscopy based on approximating the sample as a superposition of point sources. First, we developed a new numerical implementation of the method under the paradigm of gradient descent optimization designed for the detection of sparse or low-dimensional objects with a drastic improvement in computational time. We applied the algorithm on simulated images of Single Molecule Localization Microscopy where, in combination with image denoising using neural networks, we detected multiple overlapping fluorophores in conditions of high density and extremely low signal-to-noise ratio, obtaining better performance in comparison with other techniques based on compressed sensing. We also processed experimental images of the human Nuclear Pore Complex acquired with STED microscopy, where we verify the detection of nanometric biological structures from a single acquisition, even considering that the response function of the instrument, a fundamental parameter of the algorithm, was obtained from the image itself. Finally, we extended the formulation of the method for measurements of volumetric objects, first for simulations of Two-Photon Excitacion Microscopy, and second for experimental images of Optical Coherence Tomography, a label-free interferometric imaging technique that can reach penetrations of the order of millimeters. In this case we reconstructed objects with a size below the axial and lateral resolutions, demonstrating that SUPPOSe provides a versatile theoretical framework for the computational analysis of optical images through the mathematical modeling of the acquired signal from first principles. In all case, we provide open-access software along with an exhaustive procedure to evaluate the results of the algorithm to guarantee a reliable reconstruction.

Citación:

---------- APA ----------

Lacapmesure, Axel Mauro. (2024). Detección con súper-resolución de estructuras ralas en imágenes ópticas mediante nuevas variantes del algoritmo SUPPOSe. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7653_Lacapmesure

---------- CHICAGO ----------

Lacapmesure, Axel Mauro. "Detección con súper-resolución de estructuras ralas en imágenes ópticas mediante nuevas variantes del algoritmo SUPPOSe". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2024.https://hdl.handle.net/20.500.12110/tesis_n7653_Lacapmesure

Estadísticas:

Descargas totales desde :

Navegar

Colección

Tesis Doctoral