• español
    • English
  • Login
  • español 
    • español
    • English

UniversidaddeCádiz

Área de Biblioteca, Archivo y Publicaciones
Comunidades y colecciones
Ver ítem 
  •   RODIN Principal
  • Producción Científica
  • Artículos Científicos
  • Ver ítem
  •   RODIN Principal
  • Producción Científica
  • Artículos Científicos
  • Ver ítem
JavaScript is disabled for your browser. Some features of this site may not work without it.

Developing and Evaluating Deep Neural Network-based Denoising for Nanoparticle TEM Images with Ultra-low Signal-to-Noise

Thumbnail
Identificadores

URI: http://hdl.handle.net/10498/34709

DOI: 10.1017/S1431927621012678

ISSN: 1435-8115

ISSN: 1431-9276

Ficheros
mam1431.pdf (1.678Mb)
Denoising.pdf (4.535Mb)
Estadísticas
Ver estadísticas
Métricas y Citas
 
Compartir
Exportar a
Exportar a MendeleyRefworksEndNoteBibTexRIS
Metadatos
Mostrar el registro completo del ítem
Autor/es
Vincent, Joshua L.; Manzorro Ureba, RamónAutoridad UCA; Mohan, Sreyas; Tang, Binh; Sheth, Dev Y.; Simoncelli, Eero P.; Matteson, David S.; Fernández-Granda, Carlos; Crozier, Peter A.
Fecha
2021-12-01
Departamento/s
Ciencia de los Materiales e Ingeniería Metalúrgica y Química Inorgánica
Fuente
Microscopy and Microanalysis, 2021- vol.27 n.6 pp.1431-1447
Resumen
Se ha desarrollado una red neuronal convolucional profunda para eliminar el ruido de conjuntos de datos de imágenes de microscopía electrónica de transmisión con resolución atómica de nanopartículas adquiridas utilizando detectores de conteo directo de electrones, para aplicaciones en las que la señal de la imagen está severamente limitada por el ruido de disparo. La red se aplicó a un sistema modelo de nanopartículas de Pt soportadas sobre CeO2. Aprovechamos simulaciones de imágenes multislice para generar un conjunto de datos amplio y flexible para entrenar la red. La red propuesta supera a los métodos de eliminación de ruido de vanguardia tanto en datos de prueba simulados como experimentales. Se identifican los factores que contribuyen al rendimiento, incluyendo (a) la geometría de las imágenes utilizadas durante el entrenamiento y (b) el tamaño del campo receptivo de la red. A través de un análisis basado en gradientes, investigamos los mecanismos que la red ha aprendido para eliminar el ruido de las imágenes experimentales. Esto muestra que la red explota tanto información extendida como local en las mediciones ruidosas, por ejemplo, adaptando su enfoque de filtrado cuando encuentra defectos a nivel atómico en la superficie de la nanopartícula. Se ha realizado un análisis exhaustivo para caracterizar la capacidad de la red de predecir correctamente la estructura atómica exacta en la superficie de la nanopartícula. Finalmente, desarrollamos un enfoque basado en la prueba de razón de verosimilitudes logarítmicas que proporciona una medida cuantitativa del acuerdo entre la observación ruidosa y la estructura a nivel atómico en la imagen denoizada por la red.
Materias
convolutional neural network; deep learning; denoising; nanoparticles; noisy; TEM
Colecciones
  • Artículos Científicos [12034]
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Esta obra está bajo una Licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional

Listar

Todo RODINComunidades y ColeccionesPor fecha de publicaciónAutoresTítulosMateriasEsta colecciónPor fecha de publicaciónAutoresTítulosMaterias

Mi cuenta

AccederRegistro

Estadísticas

Ver Estadísticas de uso

Información adicional

Acerca de...Deposita en RODINPolíticasNormativasDerechos de autorEnlaces de interésEstadísticasNovedadesPreguntas frecuentes

RODIN está accesible a través de

OpenAIREOAIsterRecolectaHispanaEuropeanaBaseDARTOATDGoogle Académico

Enlaces de interés

Sherpa/RomeoDulcineaROAROpenDOARCreative CommonsORCID

RODIN está gestionado por el Área de Biblioteca, Archivo y Publicaciones de la Universidad de Cádiz

ContactoSugerenciasAtención al Usuario