通过深度学习提高图像质量
双色共焦图像的分辨率增强。训练用的原始图像在Leica SP8系统上拍摄,(A)共焦模式的核孔复合物(白色)和微管(绿色);(B)STED模式拍摄的图像。(C)使用深度学习模型将共焦图像的空间分辨率提升到接近STED质量。
对于收集到的活细胞3D数据,3D RCAN可以有效避免光漂白,允许我们拍摄长时间的超分辨率3D图像数据。实际应用中,图像分辨率非常好,我们甚至能够在3D图像中长时间观察到线粒体和囊泡的相互作用。3D RCAN的图像去模糊效果也比其他测试方法更好。
我们还使用受激发射损耗(STED)拍摄的实验数据来训练RCAN模型,用以测试RCAN的性能。相比共聚焦的空间分辨率,RCAN在多个固定或活细胞样品中实现了2.5倍的提升,与STED的提升效果类似。值得注意的是,反卷积共聚焦数据无法实现类似的分辨率提升。
研究人员还开发了将RCAN与膨胀显微术(expansion microscopy)相结合以提升iSIM分辨率的方案。在细胞爬片样本,线粒体和微管动力学的4D研究中,这种方法可以实现1.9倍的横向分辨率和3.6倍的轴向分辨率提升。需要注意的是,膨胀显微术不能应用于活体样本成像。
基于这些结果,作者认为,相比现有方法(例如光片显微镜和转盘共聚焦成像设备),3D RCAN与高分辨率、多噪点的共聚焦显微镜或iSIM相结合可以成为3D活细胞成像的精妙方案。作者还在考虑使用这种方法进一步改善其他显微成像模式。
表达EGFP-Tomm20的U20S活细胞图像。高放大倍率视图,原始iSIM、去卷积iSIM和 RCAN预测进行比较。红色剪头表明RCAN可以比iSIM更好地解析线粒体。图片来源:Nature Methods
如何使用3D RCAN模式
在GitHub和我们的网页上可以找到代码、数据以及经过训练的深度学习模式。此外,我们还在Aivia中部署了所有预训练模型,因此每个人都能将其轻松用于自己的数据。Aivia用户还可以添加训练数据,以针对自己的成像/采样工作优化我们的预训练模型。
本项研究刊载于2021年6月出版的《Nature Methods》杂志上。
全部评论(0条)
推荐阅读
-
- 通过深度学习提高图像质量
- 3D RCAN的图像去模糊效果也比其他测试方法更好。
-
- Resonon | 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度
- 基于深度学习和高光谱图像估算车厘茄可溶性固形物含量及硬度
-
- 直播预告丨如何通过图像解读助力电池质量的自动化检测
- 直播预告丨如何通过图像解读助力电池质量的自动化检测
-
- “医用射线设备图像质量计量方法的创新与应用”通过鉴定会
- 该项目在医用射线设备方面提升了在的计量数据对医疗临床的指导意义。
-
- 【点播课程】使用深度学习技术追踪单细胞
- 人工智能解决方案在显微镜领域的应用不断拓展。从自动化目标分类到虚拟染色,机器学习和深度学习技术在帮助显微镜学家简化分析工作的同时,也在持续推动科学技术领域的突破。
-
- 学习如何从共聚焦图像中去除自发荧光
- 荧光显微镜已经彻底改变了我们对生物学的理解。通过以高空间分辨率定位细胞内特定分子事件,人们对从基因表达途径到药物相互作用的各个方面有了深入的了解。
-
- 直播倒计时 | 训练深度学习模型?着手前的预备工作
- 直播时间:2022年7月20日 14:30-15:30
-
- 直播回顾 | 掌握Aivia机器学习,轻松精准分析各类图像
- Aivia系列线上讲座之:“掌握Aivia机器学习,轻松精 准分析各类图像”
-
- 直播倒计时 | 掌握Aivia机器学习,轻松精准分析各类图像
- 研究者辛苦得到了实验样本,但是拍出的图片可能有背景太高、人工分析繁琐等的问题。这些不太理想的2D→5D data(xy→xyztλ),可以使用Aivia机器学习功能进行分析
-
- 直播预告 | 掌握Aivia机器学习,轻松精准分析各类图像
- 这次培训我们选取了三个有代表性的图片,来向大家展示Aivia的强大数据分析能力。
-
- 直播倒计时5天 | 掌握Aivia机器学习,轻松精准分析各类图像
- 这次培训我们选取了三个有代表性的图片,来向大家展示Aivia的强大数据分析能力。
-
- 如何提高脊髓组织冰冻切片质量?
- 病理切片技术干货之脊髓组织篇。
-
- 深度学习助力增材制造梯度力学超材料逆向设计
- 该研究中,首先基于拓扑优化方法得到了不同杨氏模量E、泊松比υ和剪切模量G的超材料胞元,并建立对应的属性空间作为数据样本。
①本文由仪器网入驻的作者或注册的会员撰写并发布,观点仅代表作者本人,不代表仪器网立场。若内容侵犯到您的合法权益,请及时告诉,我们立即通知作者,并马上删除。
②凡本网注明"来源:仪器网"的所有作品,版权均属于仪器网,转载时须经本网同意,并请注明仪器网(www.yiqi.com)。
③本网转载并注明来源的作品,目的在于传递更多信息,并不代表本网赞同其观点或证实其内容的真实性,不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时,必须保留本网注明的作品来源,并自负版权等法律责任。
④若本站内容侵犯到您的合法权益,请及时告诉,我们马上修改或删除。邮箱:hezou_yiqi
参与评论
登录后参与评论