<meter id="r9lrp"></meter>

    <delect id="r9lrp"><pre id="r9lrp"></pre></delect>
        <menuitem id="r9lrp"><em id="r9lrp"><meter id="r9lrp"></meter></em></menuitem>
          <menuitem id="r9lrp"></menuitem>
            <ins id="r9lrp"><video id="r9lrp"></video></ins>

              <font id="r9lrp"></font>

                  
                  
                    <ins id="r9lrp"><em id="r9lrp"></em></ins>

                    <dfn id="r9lrp"></dfn>
                        <font id="r9lrp"></font>

                        顯微鏡技術說明:通過深度學習提高圖像質量

                        更新時間:2023-06-21      點擊次數:300

                        技術說明
                        通過深度學習提高圖像質量
                        利用殘差通道注意力網絡(RCAN)還原和增強容積延時熒光顯微鏡數據
                        Authors
                        作者
                        Luciano Lucas博士 
                        總監——Aivia
                        徠卡顯微系統,德國韋茨拉爾
                        Quyen Tran博士 
                        科學應用與市場經理——Aivia 
                        徠卡顯微系統,美國貝爾維尤
                        Hoyin Lai
                        內容營銷經理/高級應用專員——Aivia
                        徠卡顯微系統,美國貝爾維尤
                        AIVIA - IMAGE RESTORATION WITH 3D RCAN NETWORKS
                        AIVIA - 利用3D RCAN還原圖像

                        雙色共焦圖像的分辨率增強。訓練用的原始圖像在Leica SP8系統上拍攝,(A)共焦模式的核孔復合物(白色)和微管(綠色);(B)STED模式拍攝的圖像。(C)使用深度學習模型將共焦圖像的空間分辨率提升到接近STED質量。
                        對于收集到的活細胞3D數據,3D RCAN可以有效避免光漂白,允許我們拍攝長時間的超分辨率3D圖像數據。 實際應用中,圖像分辨率非常好,我們甚至能夠在3D圖像中長時間觀察到線粒體和囊泡的相互作用。 3D RCAN的圖像去模糊效果也比其他測試方法更好。 

                        我們還使用受激發射損耗(STED)拍攝的實驗數據來訓練RCAN模型,用以測試RCAN的性能。相比共聚焦的空間分辨率,RCAN在多個固定或活細胞樣品中實現了2.5倍的提升,與STED的提升效果類似。值得注意的是,反卷積共聚焦數據無法實現類似的分辨率提升。 

                        研究人員還開發了將RCAN與膨脹顯微術(expansion microscopy)相結合以提升iSIM分辨率的方案。 在細胞爬片樣本,線粒體和微管動力學的4D研究中,這種方法可以實現1.9倍的橫向分辨率和3.6倍的軸向分辨率提升。 需要注意的是,膨脹顯微術不能應用于活體樣本成像。 

                        基于這些結果,作者認為,相比現有方法(例如光片顯微鏡和轉盤共聚焦成像設備),3D RCAN與高分辨率、多噪點的共聚焦顯微鏡或iSIM相結合可以成為3D活細胞成像的精妙方案。作者還在考慮使用這種方法進一步改善其他顯微成像模式。

                        表達EGFP-Tomm20的U20S活細胞圖像。高放大倍率視圖,原始iSIM、去卷積iSIM和 RCAN預測進行比較。紅色剪頭表明RCAN可以比iSIM更好地解析線粒體。圖片來源:Nature Methods
                        如何使用3D RCAN模式
                        在GitHub和我們的網頁上可以找到代碼、數據以及經過訓練的深度學習模式。此外,我們還在Aivia中部署了所有預訓練模型,因此每個人都能將其輕松用于自己的數據。Aivia用戶還可以添加訓練數據,以針對自己的成像/采樣工作優化我們的預訓練模型。
                        本項研究刊載于2021年6月出版的《Nature Methods》雜志上。

                        微信掃一掃
                        版權所有©2024 北京佳源偉業科技有限公司 All Rights Reserved    備案號:京ICP備2021037741號-1    sitemap.xml    管理登陸    技術支持:化工儀器網    
                        人人操正在播放_亚洲欧美小视频_黄片欧美视频免费_91自拍偷拍网