Learned priors for Fourier Light Field microscopy reconstruction

Fourier Light Field Microscopy (FLFM) reconstructs three-dimensional (3D) fluorescencevolumes from single-exposure two-dimensional (2D) sensor images. Reconstructing thesevolumes is an ill-posed inverse problem. While traditional model-based methods havebeen used to tackle this, deep learning-based approaches have recently emerged as a powerful alternative. Despite their strong performance, baseline deep learning reconstructionsoften suffer from specific artifacts; they produce smooth volumes that lose thin biological structures when target-domain training data are scarce. This thesis investigates howautoencoder models can serve as regularizers to mitigate these issues. Specifically, weaddress this limitation by using OpenPhenom, a masked autoencoder (MAE), as a structural prior. We adapt the pretrained prior to target-domain microscopy slices using ablur-aware push-pull objective. We train the prior to distinguish sharp cellular structuresfrom blurred artifacts. During reconstruction network training, we freeze the adaptedprior and use it as a slice-wise self-consistency regularizer. In our experiments, the bluraware prior improves volumetric reconstruction quality. The proposed method yields a5.10 dB peak signal-to-noise ratio (PSNR) increase over the baseline reconstruction network. It also improves structural similarity index measure (SSIM) from 0.968 to 0.975.We confirm through qualitative analysis of regions of interest that the method preservesthin structures and local boundaries.

La microscopia a campo di luce di Fourier (FLFM) ricostruisce volumi di fluorescenzatridimensionali (3D) a partire da immagini bidimensionali (2D) del sensore acquisite consingola esposizione. La ricostruzione di questi volumi costituisce un problema inversomal posto. Sebbene i metodi tradizionali basati su modelli siano stati utilizzati per affrontare questo problema, gli approcci basati su apprendimento profondo sono recentemente emersi come una valida alternativa. Nonostante le loro buone prestazioni, le reti diricostruzione di riferimento spesso presentano artefatti specifici: producono volumi smussati che perdono le strutture biologiche sottili quando i dati di addestramento nel dominiodi destinazione sono scarsi. Questa tesi studia come i modelli autoencoder possano essere utilizzati come regolarizzatori per mitigare tali problemi. In particolare, affrontiamoquesta limitazione utilizzando OpenPhenom, un MAE, come prior strutturale. Adattiamo il prior preaddestrato a sezioni microscopiche del dominio di destinazione tramite unafunzione obiettivo push-pull sensibile alla sfocatura. Addestriamo il prior a distinguere lestrutture cellulari nitide dagli artefatti di sfocatura. Durante l’addestramento della rete diricostruzione, congeliamo il prior adattato e lo utilizziamo come regolarizzatore di autocoerenza sezione per sezione. Nei nostri esperimenti, il prior sensibile alla sfocatura migliorala qualità della ricostruzione volumetrica. Il metodo proposto ottiene un incremento delrapporto segnale-rumore di picco PSNR pari a 5.10 dB rispetto alla rete di ricostruzionedi riferimento. Migliora inoltre l’indice di similarità strutturale SSIM da 0.968 a 0.975.Confermiamo tramite l’analisi qualitativa delle regioni di interesse che il metodo preservale strutture sottili e i contorni locali.