本文提出了一种使用生成对抗网络(GAN)进行电子显微镜(EM)图像分割的方法,分为两个阶段:第一阶段是合成标签“图像”,第二阶段是EM图像合成,从而实现标签-图像配对的完整模型,该方法可以通过不同的评估手段(如形状特征和全局统计量、分割准确性、用户研究)获得准确且逼真的合成EM图像。
Mar, 2020
本文提出了一种基于模拟图像的去噪方法, 即模拟图像去噪(SBD)框架,该框架使用卷积神经网络(CNNs)在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色,同时也分析了SBD的泛化能力和CNNs的视野对其性能的影响。
Oct, 2020
本文提出了一种多领域学习架构用于显著不同的显微镜图像的分类,使用新的优化技术规范训练期间的潜在特征空间来提高网络性能。通过在三个不同的公共数据集上进行评估,该分类器优于现有技术,对有限标记数据稳健,并且切换到新实验时帮助消除设计新网络的负担。
Apr, 2023
提出了ChAda-ViT,一种新颖的通道自适应视觉Transformer体系结构,应用于具有任意数量、顺序和类型通道的图像,并在自我监督训练中训练,优于现有方法,在几个具有生物学意义的下游任务中表现出色,并能够将各种图像和实验模式嵌入统一的生物图像表示中,有望促进跨学科研究,并为生物图像分析中深度学习的更好应用铺平道路。
Nov, 2023
计算显微镜学,硬件和算法的联合设计,对于制造成本更低、性能更强大、收集新类型信息的成像系统有很大潜力。通过引入伯克利单个细胞计算显微学(BSCCM)数据集,包含超过12,000,000张400,000个单个白细胞图像,采用LED阵列显微镜多种照明模式捕获图像以及标记不同细胞类型的表面蛋白质的荧光测量,希望该数据集能为计算显微学和具有实际生物医学应用的计算机视觉算法的开发与测试提供宝贵资源。
Feb, 2024
通过介绍一个专家精选的基准测试集μ-Bench,评估了最新的生物医学、病理学和通用视觉语言模型在各种生物学图像识别任务上的表现,发现当前模型在所有类别上都存在困难,甚至在识别显微镜模态等基本任务上表现不佳。在特定显微镜领域进行微调可能导致灾难性遗忘,影响基础模型中编码的先前生物医学知识。通过在微调和预训练模型之间进行权重插值,可以解决忘记问题,并提高生物医学任务的整体性能。μ-Bench基准测试集已获得许可证,以加快微观成像基础模型的研究和开发。
Jul, 2024
通过在小波域内利用布朗桥过程启动扩散过程,引入了一种多尺度生成模型,加强了条件图像修复,提供了与最先进扩散模型相当的高图像生成质量和多样性,并在训练和采样过程中实现了显著的加速,从而减少了采样步骤和时间。
本研究解决了机器学习模型在显微镜中应用时对稀缺和错误标记数据的依赖问题,提出了一种基于物理的合成图像和数据生成器。研究显示,合成数据能够达到媲美人工标记数据的表现,并通过图像范围的置信评分提高模型性能,实现了5-30%的提升效果。
Aug, 2024
本研究针对显微镜图像中存在的噪声和低分辨率问题,提出了一种基于去噪扩散概率模型(DDPM)的方法,通过低分辨率信息来预测高分辨率图像。实验结果表明,该模型在四个多样化的数据集上表现优于或相当于先前的最佳方法,且在所有数据集上的高性能显示了其良好的通用性。
Sep, 2024
本研究针对现有显微镜图像分辨率不足的问题,提出使用去噪扩散概率模型(DDPMs)的方法。通过详细的理论基础和数学推导,结合使用PyTorch的代码实现,为读者提供了一种有效的高分辨率图像转换技术,具有重要的实用价值和潜在的科研影响。