原子力显微镜（AFM）图像是与机器学习分析最匹配的显微镜技术之一。AFM 图像的数字格式使其能够在机器学习算法中直接使用，无需额外处理。此文论述了使用相对较少的 AFM 图像和小型数据库进行机器学习识别 / 分类的方法，同时讨论了除了流行的深度学习神经网络之外的机器学习方法。该方法已成功用于分析和分类生物细胞表面，并可应用于识别医疗图像、特定材料处理、法医研究甚至艺术真伪鉴定。提供了适用于 AFM 的机器学习分析的通用模板，以及对细胞表型识别的具体示例。特别关注所得结果的统计显著性分析，这在处理机器学习的论文中经常被忽视，同时提供了一种寻找统计显著性的简单方法。

Mar, 2024

通过使用拓扑指纹描述分子结构并利用深度学习模型进行虚拟筛选，我们能够从三维原子力显微镜堆栈图像中提取最优化的结构描述符，从而实现对分子的识别，识别准确率可达 97.6％。

May, 2024

自动样品制备和电子显微镜使得大规模图像数据采集成为可能，基于此，本文提出了一种 pipeline 系统，通过结合随机森林分类和条件随机场框架，能够完成大规模电子显微镜数据的分割和自动化标注，从而实现了大规模 3D 神经元的重建和可视化。

Mar, 2013

本文提出了使用小片体积来表示场景，通过编码小片体积以进行对比表面法的体积渲染，建立了微分小片体积渲染器，以实现复杂几何和散射物体的外观属性恢复，高质量灯光、材质编辑、渲染体积散射等效果。

Apr, 2023

本文提出一种新的估计框架，利用现代随机优化技术和一种新的技术，在单个工作站上就能够在一天内从大规模数据集中估算出分子的三维结构。

Apr, 2015

本文介绍了一种新颖的通过深度神经网络在傅里叶空间编码结构，将粒子和共同体的不断变化的结构进行建模，并通过准确的图像定向使得模型能从无标注的 2D 冷冻电镜图像训练出来，最终得到了一种直接对冷冻电镜图像进行连续体蛋白质结构建模的方法 cryoDRGN，在模拟和真实 2D 冷冻电镜图像数据上实现了 3D 蛋白质复合物的 ab initio 重建。

Sep, 2019

本文研究灵活使用 AI 技术在纳米材料表征领域，以卷积自编码器为基础，探索可解释的人工智能提取纳米材料形态特征的新方法，并实现了一个开放的平台用于纳米材料图像的深度可视化研究。

Jan, 2022

本文提出了一种基于条件归一化流的新架构，可实现快速三维立体重建，对于实时三维采集和潜在分析非常适用，并能够实现精确的似然度计算，从而进行分布监测、基于样本检测的重训练。

Jun, 2023

使用多保真度神经网络解决反问题，通过纹理映射实现将机械性能的光学图像转化为真实电容力曲线。

Nov, 2023

AI 正在改变 MRI 的采集和处理过程，ATOMMIC 是一个开源工具箱，通过实现 DL 网络和多任务学习 (MTL) 来应用 AI 于加速 MRI 重建和分析，结合物理模型与分割网络可以提高 MRI 重建和图像分割的性能。

Apr, 2024