Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Model-aware learning for imaging inverse problems in fluorescence microscopy

Descrizione del progetto

Problemi inversi di imaging nella microscopia a fluorescenza

L’imaging in microscopia a fluorescenza comporta un’ampia gamma di problemi inversi in cui è necessario ricostruire rappresentazioni significative dei campioni biologici a partire da misurazioni incomplete e rumorose. Questi problemi sono intrinsecamente mal posti e portano a soluzioni molto sensibili a piccole perturbazioni. Gli approcci basati su modelli esistenti si basano sulla conoscenza esperta delle procedure di ricostruzione sottostanti per garantire la stabilità, nonché su metodi di ottimizzazione artigianali, il che limita la loro applicabilità pratica. Il progetto MALIN, finanziato dal CER, affronta queste limitazioni sviluppando una struttura integrativa che combina metodi basati su modelli con tecniche di apprendimento profondo guidate dai dati. Dal punto di vista metodologico, il progetto si concentra su approcci orientati all’ottimizzazione che incorporano le conoscenze fisiche disponibili e tengono conto delle imprecisioni della modellazione. I metodi risultanti miglioreranno l’efficienza, l’accuratezza e l’efficacia dei costi e saranno diffusi attraverso strumenti software open-source.

Obiettivo

This project will develop model-aware, i.e. physics-informed, learning methods for solving imaging inverse problems (IIPs) in fluorescence microscopy imaging (FMI). IIPs are frequently encountered in FMI whenever a visual representation of a biological sample needs to be reconstructed from incomplete and noisy input measurements. Such IIPs are typically ill-posed: their solution (if it exists) is unstable to perturbations. Classical model-based approaches reformulate the IIP at hand as an energy minimisation task. Such approaches rely both on the (approximate) knowledge of the complex physical processes involved and on the mathematical design of hand-crafted optimisation methods whose tuning is often very time-consuming. Concurrently, the impressive development of machine and deep learning methods has enabled the applied imaging community with new data-driven methodologies providing unprecedented results in tasks such as image classification. The performance of data-driven methods for solving IIPs in FMI, however, is halted by their intrinsic unstable behaviour. In MALIN, I propose an integrative paradigm where the stable performance of model-based approaches is combined with the effectiveness of data-driven techniques by means of shallow model-constrained learning and deep physics-informed generative approaches. The reliability of the model-aware methods proposed will be justified by theoretical results providing reconstruction and convergence guarantees. The study will further account for possible geometric invariances and imperfect physical modelling, showing robustness to modelling errors which are frequent when standard (low-cost) equipment is used. Algorithmic acceleration strategies and inexact/stochastic algorithms will be devised to guarantee efficient performance also under limited computational resources and training data. The methodologies will be deployed on several IIPs in FMI and democratised through the release of open software and plug-ins.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2023-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

UNIVERSITA DEGLI STUDI DI GENOVA
Contributo netto dell'UE
€ 1 432 734,00
Indirizzo
VIA BALBI 5
16126 GENOVA
Italia
Regione
Centro (IT) Lazio Roma
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 432 734,00

Beneficiari (1)