論文の概要: Advancing biological super-resolution microscopy through deep learning:
a brief review
- arxiv url: http://arxiv.org/abs/2106.13064v1
- Date: Thu, 24 Jun 2021 14:44:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 19:17:31.498432
- Title: Advancing biological super-resolution microscopy through deep learning:
a brief review
- Title（参考訳）: 深層学習による生体超解像顕微鏡の進歩
- Authors: Tianjie Yang, Yaoru Luo, Wei Ji and Ge Yang
- Abstract要約: 超解像顕微鏡は、空間分解能における従来の光顕微鏡の回折限界を克服する。
ディープラーニングは画像処理とコンピュータビジョンにおいて画期的なパフォーマンスを達成した。
深層学習が超高解像度画像の再構成をいかに進めるかに焦点を当てる。
- 参考スコア（独自算出の注目度）: 5.677138915301383
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Super-resolution microscopy overcomes the diffraction limit of conventional
light microscopy in spatial resolution. By providing novel spatial or
spatio-temporal information on biological processes at nanometer resolution
with molecular specificity, it plays an increasingly important role in life
sciences. However, its technical limitations require trade-offs to balance its
spatial resolution, temporal resolution, and light exposure of samples.
Recently, deep learning has achieved breakthrough performance in many image
processing and computer vision tasks. It has also shown great promise in
pushing the performance envelope of super-resolution microscopy. In this brief
Review, we survey recent advances in using deep learning to enhance performance
of super-resolution microscopy. We focus primarily on how deep learning
ad-vances reconstruction of super-resolution images. Related key technical
challenges are discussed. Despite the challenges, deep learning is set to play
an indispensable and transformative role in the development of super-resolution
microscopy. We conclude with an outlook on how deep learning could shape the
future of this new generation of light microscopy technology.
- Abstract（参考訳）: 超解像顕微鏡は従来の光顕微鏡の回折限界を空間分解能で克服する。
分子特異性を持つナノメートル分解能の生物過程に関する新しい空間的または時空間的情報を提供することにより、生命科学においてますます重要な役割を果たす。
しかし、その技術的制限は、空間分解能、時間分解能、試料の光暴露のバランスをとるためにトレードオフを必要とする。
近年,多くの画像処理やコンピュータビジョンタスクにおいて,ディープラーニングは画期的な性能を発揮している。
また、超高分解能顕微鏡の性能向上にも大きな期待を寄せている。
本稿では,超解像顕微鏡の性能向上のためのディープラーニングの最近の進歩を概観する。
主に、超高解像度画像の深層学習によるアドバンス再構築に焦点を当てる。
関連する技術的課題について論じる。
これらの課題にもかかわらず、深層学習は超解像顕微鏡の開発において不可欠かつ変革的な役割を果たす。
我々は、この新世代の光顕微鏡技術の将来をどのようにして深層学習が形作るかという展望で締めくくっている。
関連論文リスト
- SaccadeDet: A Novel Dual-Stage Architecture for Rapid and Accurate Detection in Gigapixel Images [50.742420049839474]
SaccadeDetは、人間の目の動きにインスパイアされた、ギガピクセルレベルの物体検出のための革新的なアーキテクチャである。
PANDAデータセットを用いて評価した本手法は,最先端手法の8倍の高速化を実現する。
また、全スライドイメージングへの応用を通じて、ギガピクセルレベルの病理解析に有意な可能性を示す。
論文 参考訳（メタデータ） (2024-07-25T11:22:54Z) - Quantum light microscopy [0.0]
微生物の理解の進歩の多くは、顕微鏡の進歩に支えられている。
超高分解能顕微鏡は、ほぼ原子スケールの分解能で生物学的構造の観察を可能にする。
多光子顕微鏡は組織への深部イメージングを可能にする。
量子効果は、顕微鏡の性能を高める新しい方法を提供する。
論文 参考訳（メタデータ） (2023-11-10T00:44:58Z) - Fluorescent Neuronal Cells v2: Multi-Task, Multi-Format Annotations for
Deep Learning in Microscopy [44.62475518267084]
このデータセットは、歯状神経細胞の核と細胞質が多様なマーカーで染色される3つのイメージコレクションを含んでいる。
画像の他に、セマンティックセグメンテーション、オブジェクト検出、カウントなど、いくつかの学習タスクに対して、地平のアノテーションを提供する。
論文 参考訳（メタデータ） (2023-07-26T15:14:10Z) - LUCYD: A Feature-Driven Richardson-Lucy Deconvolution Network [0.31402652384742363]
本稿では,ボリューム顕微鏡画像の復元手法であるLUCYDを提案する。
ルーシードはリチャードソン=ルーシーの脱畳み込み公式と、完全な畳み込みネットワークによって得られる深い特徴の融合を組み合わせた。
実験の結果,LUCYDは顕微鏡画像の解像度,コントラスト,全体的な画質を大幅に改善できることがわかった。
論文 参考訳（メタデータ） (2023-07-16T10:34:23Z) - Passive superresolution imaging of incoherent objects [63.942632088208505]
手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。
ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
論文 参考訳（メタデータ） (2023-04-19T15:53:09Z) - Widefield quantum microscopy with nitrogen-vacancy centers in diamond:
strengths, limitations, and prospects [0.0]
ダイヤモンド表面近くの窒素空孔中心の密度の高い層は、広視野光学顕微鏡で疑問視することができる。
テクノロジーは、凝縮物質物理学、地球科学、生物学など様々な分野で急速に発展し、応用のデモを行っている。
論文 参考訳（メタデータ） (2021-08-13T04:52:06Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Deep learning-based super-resolution fluorescence microscopy on small
datasets [20.349746411933495]
ディープラーニングは、技術的障壁を減らし、回折制限画像から超解像を得る可能性を示している。
本稿では,小型データセットと超解像画像の訓練を成功させた畳み込みニューラルネットワークに基づく新しいアプローチを示す。
このモデルは、大規模なトレーニングデータセットの取得が困難なMRIやX線イメージングなどの他のバイオメディカルイメージングモードに適用することができます。
論文 参考訳（メタデータ） (2021-03-07T03:17:47Z) - Deep Learning-based Face Super-resolution: A Survey [78.11274281686246]
顔の超解像、別名顔の幻覚は、ドメイン固有のイメージの超解像問題です。
現在、深層学習に基づく顔の超解像に関する研究の要約は少ない。
本調査では,超解像面における深層学習の手法を体系的に総合的に検討する。
論文 参考訳（メタデータ） (2021-01-11T08:17:11Z) - Global Voxel Transformer Networks for Augmented Microscopy [54.730707387866076]
本稿では,拡張顕微鏡のための高度な深層学習ツールであるグローバルボクセルトランスフォーマーネットワーク(GVTNets)を紹介する。
GVTNetはグローバルな情報収集が可能なグローバルなボクセル変換演算子(GVTO)上に構築されている。
提案手法を既存のデータセットに適用し,様々な環境下での3種類の拡張顕微鏡タスクについて検討する。
論文 参考訳（メタデータ） (2020-08-05T20:11:15Z) - Physics-enhanced machine learning for virtual fluorescence microscopy [3.7817498232858857]
本稿では, 仮想蛍光顕微鏡のための新しいデータ駆動顕微鏡設計法を提案する。
深層畳み込みニューラルネットワークの第1層に照明のモデルを含めることで、タスク固有のLEDパターンを学ぶことができる。
論文 参考訳（メタデータ） (2020-04-09T00:17:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。