本文提出一种基于加性噪声和神经风格迁移技术的电子显微镜前向算子模拟方法，加速了数据生成过程，同时利用 GPU 加速和并行处理，可作为数据增强技术或单独使用以适应数据集，其在粒子定位和分类任务上的表现与基准相当，并且需要的训练数据集要少 33 倍。

Apr, 2023

本研究介绍了弱监督学习方法在超分辨显微镜技术中的应用，探讨了其加速探索亚细胞大分子和细胞器分子结构的潜力。

May, 2023

我们提出了一种能够同时去噪和预测多光子成像测量像素级不确定性的方法，提高了算法的可靠性并为深度学习预测提供了统计保证。通过学习得到的像素级不确定性，我们提出了一种自适应采集技术，仅重新扫描样本中最不确定的区域。在实验噪声多光子成像测量人类子宫内膜组织方面，我们展示了我们能够保持精细特征并在每个像素上优于其他去噪方法的能力。最后，通过我们的自适应采集技术，我们展示了在成功恢复样本中的细节特征的同时，采集时间和总光剂量减少了 120 倍。我们是首先在真实实验数据上展示了无分布不确定性量化的去噪任务的方法，并首次提出了基于重建不确定性的自适应采集。

Oct, 2023

纳米技术和材料科学的进步为纳米尺度设备铺平了道路，这些设备结合了感知、计算、数据和能量存储以及无线通信。在精准医学中，这些纳米设备显示出在疾病诊断、治疗和监测方面的潜力，可以从患者的血液流中进行定位，这是流导引体内纳米尺度定位的主要目标。然而，纳米设备的纳米尺度特性以及血液流所代表的具有挑战性的环境，导致当前的流导引定位方法在通信和能量相关能力上受到限制。因此，我们提出了一个模型，分析了纳米设备的不完美通信和受限能量对纳米设备产生的原始数据的影响，并通过与一个模拟器的输出进行比较来评估模型，结果表明模型与模拟器生成的原始数据集之间具有高度相似性。

Sep, 2023

本研究提出了一个针对扫描电子显微镜（SEM）图像的纳米粒子精确检测和全面分析的计算框架。该框架利用 Python 的强大图像处理能力，特别是利用 OpenCV、SciPy 和 Scikit-Image 等库，采用阈值处理、膨胀和腐蚀等技术提高图像处理结果的准确性。该框架在 RStudio 环境中无缝集成了纳米粒子数据，用于详细的后处理分析，包括模型准确性评估，特征分布模式识别和复杂的颗粒排列研究。该框架在主要样本图像中表现出了高纳米粒子识别率，并在来自 SEM 纳米粒子数据集的五个不同测试图像上具有 97％的粒子检测准确率。此外，该框架还能够识别出低强度纳米粒子，并绕过对照组的手动标记。

Aug, 2023

本文提出了一种基于 3D 分割结果的多目标跟踪方法，该方法可通过提取深度神经网络中的特征图来识别和匹配物体部分，该方法在跟踪准确性和事件识别准确性方面比现有的方法分别提高了 2.96% 和 35.48%。

Nov, 2019

我们研究了一种机器学习技术，用于通过液体透射电子显微镜（LC-TEM）在原位观察期间对所获得的图像进行细化。我们的模型采用了 U-Net 架构和 ResNet 编码器。通过准备一个原始图像数据集进行训练，其中包含了使用和不使用溶液的样品的图像对。训练后的模型可以将噪声图像转换为清晰的图像，转换时间约为 10 毫秒，并且我们将该模型应用于使用 Gatan DigitalMicrograph（DM）软件进行原位观察时。即使由于低电子剂量原因，DM 软件的视图窗口中看不到纳米颗粒，但在我们的机器学习模型生成的连续细化图像中是可见的。

Oct, 2023

提出了一种超快、精确的、无参数方法 Deep-STORM，用于从随机闪烁的发射器（如用于定位显微镜的荧光分子）中获取超分辨率图像。该方法使用了深度卷积神经网络，可以在模拟数据或实验测量上进行训练，可以在挑战性的信噪比条件和高发射器密度下实现最先进的分辨率，并且比现有方法快得多。此外，它不需要关于基础结构形状的先验信息，使得该方法适用于任何闪烁数据集。通过对模拟和实验数据的超分辨率图像重建，验证了我们的方法。

Jan, 2018

提出了一种名为 LodeSTAR 的新型深度学习方法，可以在单个未标记的实验图像中学习以亚像素级精度跟踪对象。 该算法利用了数据的旋转平移对称性，并扩展了可测量的粒子属性，可以加速高质量的微观分析流水线的发展。

Feb, 2022

利用第一代透射式光子吸收遥感显微镜的标签自由组织学平台，以及 pix2pix 实验，全面提高了组织学诊断的效率和疾病诊断的准确性，同时允许光学方法（标签自由的）与传统染色工艺进行对比，应用广泛。

Apr, 2023