Nov, 2023

自主机器学习增强 X 射线单颗粒成像重建

PDF
TL;DR本研究提出了一种端到端的自监督机器学习方法，通过仅仅使用衍射图像来恢复粒子方向并估计倒易空间强度，从而在 X 射线自由电子激光器的实验条件下展示了卓越的鲁棒性和显著增强的重建能力，标志着在目前 XFEL 上实施的单颗粒成像中的范式转变。
x-ray free electron laserssingle particle imagingbiological particlesmachine learningreciprocal-space x-ray diffraction
发现论文，激发创造
  • 基于在线机器学习的单颗粒 X 射线衍射图像的可扩展三维重建

    通过使用在线重建框架 X-RAI，本研究大规模地处理采集到的大量衍射图像，实现了 X 射线单粒子成像领域的实时捕获和重建，并取得了最先进的性能。

    Dec, 2023

  • 物理约束无监督深度学习用于快速高分辨率扫描相干衍射重建

    使用非监督物理知识神经网络重建方法，结合衍射正演映射与重叠测量的约束，提高了重构速度和质量，为高通量环境下的高分辨率实时成像带来了令人兴奋的前景。

    Jun, 2023

  • 利用机器学习从原位 X 射线衍射数据快速检测罕见事件

    高能 X 射线衍射方法可非破坏性地对金属多晶工程材料的 3D 微结构和相关属性进行映射，而本研究提出的全自动技术可迅速检测高能 X 射线显微镜数据中塑性的发生，为驱动智能多模态 X 射线衍射方法的实验提供及时可行信息。

    Dec, 2023

  • 基于机器学习的超快自旋动力学实验设计及参数估计

    该研究介绍了一种将机器学习与贝叶斯最优实验设计相结合的方法，可以在有限的实验时间内更精确地预测模型参数，从而指导光子波动光谱的实验并取得更多的信息，同时可以采用其他实验方法用于数据收集和加快科学发现。

    Jun, 2023

  • 单镜头自监督粒子跟踪

    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

  • 序贯飞秒晶体学中模式分类的弱监督学习

    通过弱监督算法对衍射图案进行分类，可以显著减少训练所需的标记样本数量，同时获得与全监督方法相当的准确性，为解决大量数据处理的挑战提供了一种可能。

    Jul, 2023

  • 电子显微镜的自监督学习：面向高级图像分析的基础模型

    通过自监督学习从未标记的电子显微镜数据集中提取关键信息，并展示了自监督预训练在语义分割、去噪、去除噪音和背景、超分辨率等多个下游任务中的优势，尤其对于有限的标注数据和计算成本的高效扩展，通过实验证明了自监督预训练的灵活性和可靠性。

    Feb, 2024

  • 利用数据增强和深度神经网络快速且易于解释地对小型 X 射线衍射数据集进行分类

    本研究针对开发新薄膜材料中最耗时的 X 射线衍射数据收集和分析提出了机器学习模型，该模型可以从有限数量的薄膜 XRD 模式中预测结晶维度和空间群，并使用模型无关的物理驱动数据扩充策略来克服材料开发中固有的稀缺数据问题，经过测试，该模型具有 93% 和 89% 的维数和空间群分类交叉验证精度。

    Nov, 2018

  • 非笛卡尔自监督物理驱动深度学习重建高加速多回波螺旋磁共振成像

    本文提出一种基于物理驱动的深度学习重建技术来加速多回波螺旋 fMRI，从而实现高时空分辨率和有意义的 BOLD 分析。

    Dec, 2023

  • FakET：利用神经风格迁移模拟冷冻电子层析图

    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