Show simple item record

dc.contributor.authorVincent, Joshua L.
dc.contributor.authorManzorro Ureba, Ramón 
dc.contributor.authorMohan, Sreyas
dc.contributor.authorTang, Binh
dc.contributor.authorSheth, Dev Y.
dc.contributor.authorSimoncelli, Eero P.
dc.contributor.authorMatteson, David S.
dc.contributor.authorFernández-Granda, Carlos
dc.contributor.authorCrozier, Peter A.
dc.contributor.otherCiencia de los Materiales e Ingeniería Metalúrgica y Química Inorgánicaes_ES
dc.date.accessioned2025-01-23T15:08:25Z
dc.date.available2025-01-23T15:08:25Z
dc.date.issued2021-12-01
dc.identifier.issn1435-8115
dc.identifier.issn1431-9276
dc.identifier.urihttp://hdl.handle.net/10498/34709
dc.description.abstractSe 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.es_ES
dc.formatapplication/pdfes_ES
dc.language.isoenges_ES
dc.publisherOxford University Presses_ES
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.sourceMicroscopy and Microanalysis, 2021- vol.27 n.6 pp.1431-1447es_ES
dc.subjectconvolutional neural networkes_ES
dc.subjectdeep learninges_ES
dc.subjectdenoisinges_ES
dc.subjectnanoparticleses_ES
dc.subjectnoisyes_ES
dc.subjectTEMes_ES
dc.titleDeveloping and Evaluating Deep Neural Network-based Denoising for Nanoparticle TEM Images with Ultra-low Signal-to-Noisees_ES
dc.typejournal articlees_ES
dc.rights.accessRightsopen accesses_ES
dc.identifier.doi10.1017/S1431927621012678
dc.type.hasVersionVoRes_ES


Files in this item

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
This work is under a Creative Commons License Attribution-NonCommercial-NoDerivatives 4.0 Internacional