Freq2Clean: fusione video nel dominio della frequenza per il potenziamento del denoising nell'imaging del calcio

Calcium imaging has become a cornerstone technique within the study of the nervous system. It allows researchers to visualize intracellular calcium dynamics as a proxy for neuronal activation. The primary limitation of this method is the low signal-to-noise ratio (SNR) of the acquired footage, which obscures neural signals and hinders their segmentation. In recent years, many denoising techniques have been proposed. Among them, self-supervised approaches have emerged due to the lack of ground truths. In fact, most available non-synthetic datasets are unlabeled, and those that are labeled have pseudo-ground truths with only slightly higher SNRs than the noisy recordings. The main drawback of self-supervised methods is their inability to capture fine details, which results in images that are overly smooth. This thesis proposes Freq2Clean, a simple yet effective post-processing technique that uses a video fusion in the Fourier domain to recover high-frequency spatial details from the low-frequency dynamics. This method works particularly well with recordings of stationary subjects, which is typical of neuroimaging. The results show that Freq2Clean not only can enhance denoisers' predictions, thereby fostering human interpretability, but also boost the accuracy of neuron segmentation, a typical downstream task to denoising. The generality of these results is proven by using different denoisers as a baseline and by using both synthetic and non-synthetic datasets. The source code repository is publicly available at: https://github.com/MrPio/freq2clean

Nello studio del funzionamento del sistema nervoso, l'imaging del calcio è oggi una tecnica ampiamente utilizzata. Questa tecnica consente ai ricercatori di visualizzare le dinamiche degli ioni di calcio intracellulare, che fungono da proxy per la rilevazione delle attivazioni dei neuroni. Il limite principale di questo metodo è il basso rapporto segnale-rumore (SNR) delle immagini acquisite, che ostacola la rilevazione dei segnali neurali e la loro segmentazione. Negli ultimi anni sono stati proposti diversi approcci di denoising specifici per l'imaging del calcio. Tra questi, si sono distinti in particolare gli approcci self-supervised, ben visti per la rarità dei ground truth. Infatti, la maggior parte dei dataset non sintetici dispone al massimo di pseudo-ground truth con un valore di SNR leggermente superiore rispetto alla versione rumorosa. I metodi self-supervised, tuttavia, hanno il limite di non riuscire a catturare i dettagli fini e tendono a produrre immagini eccessivamente sfocate. Questa tesi propone Freq2Clean, una tecnica semplice, ma efficace, da inserire a valle di un modello di denoising per recuperare i dettagli fini. Per fare ciò, esegue una fusione, nel dominio di Fourier, delle basse frequenze del video rumoroso con quelle alte del video ripulito dal denoiser. Questo metodo si dimostra funzionare particolarmente bene nelle registrazioni di soggetti immobili, condizione tipica della neuroimaging. I risultati dimostrano quantitativamente che Freq2Clean non solo è capace di aumentare la qualità del denoising, favorendo così l'interpretazione visiva da parte dell'uomo, ma anche l'accuratezza della segmentazione dei neuroni svolta che segue tipicamente il denoising. La generalità di questi risultati è dimostrata sia utilizzando diversi denoiser come riferimento, sia testando dataset sintetici e non. Il repository del codice sorgente è disponibile pubblicamente all'indirizzo: https://github.com/MrPio/freq2clean