- 基于物理的微观图像分析与奖励驱动
基于奖励函数和贝叶斯优化的方法用于动态优化图像分析工作流程,并与经典的深度卷积神经网络(DCNN)分割进行对比,结果表明在附加噪声的情况下,经过优化的拉普拉斯 - 高斯(LoG*)方法与 DCNN 具有可比性,提供实时优化复杂分析工作流程的 - 基于稀疏点标注的电子显微镜弱监督跨领域分割
通过少量局部标注创建的弱监督学习模型在神经科学研究中的电子显微镜(EM)图像的精确细胞器实例分割任务上取得了显著的性能提升,比无监督域自适应方法更具实际应用价值。
- 应用带跳过块鉴别器的 GAN 生成生物电子显微镜图像
通过提出新的鉴别器架构,利用跳过块和生成逼真的电子显微镜图像,解决了传统 pix2pix 条件生成对抗网络在生成逼真电子显微镜图像方面的问题。
- 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。
- 无需清洗基准图像的超分辨率技术:应用于电子显微镜
通过深度学习的图像超分辨率方法,我们可以对大脑组织中的噪声低分辨率电子显微图像进行重建,以获得清晰的高分辨率三维电子显微图像,为神经科学研究提供了新的可能性。
- 使用置换不变编码器进行神经元分类的神经骨架和脑回路拓扑的联合学习
本研究提出了一个名为 NeuNet 的框架,该框架整合了神经元的形态和连接信息,并成功应用于神经元分类任务,通过电子显微镜成像技术和分析方法在两个数据集上获得了高分类精度。
- 电子显微技术中无监督分割的辐射诱导有序 - 无序相变
使用无监督分割方法对电子显微镜图像进行分割,以跟踪用于催化和电子领域的薄膜中辐照引起的非晶前沿,为自动化电子显微镜提供指导。
- 人机协同:自动电子显微学中的机器学习之未来
机器学习在电子显微镜领域逐步获得认可,用于数据后处理中的去噪、语义分割和降维。在使用大型仪器制造商的 API 引入后,现在可以在显微镜中部署机器学习工作流,不仅用于数据分析,还用于实时决策和反馈。然而,实时机器学习的用例数量仍然相当有限。在 - 弱点注释下的领域自适应突触检测
利用基于分割的 AdaSyn 框架和弱点注释,本研究提出了一种用于领域自适应突触检测的两阶段分割方法,通过高质量伪标签改善模型的普适性,成功应用于不同脑区的数据集,并在 ISBI 2023 的 WASPSYN 挑战中获得第一名。
- 学习多尺度一致性的自监督电子显微镜实例分割
我们提出了一种新的预训练框架,利用多尺度视觉表示来捕捉电子显微镜(EM)体积中体例的像素级一致性和特征级一致性,并在特征金字塔上使用对比学习方案提取多尺度的具有区分性的特征,以实现神经元和线粒体体例分割任务的表现提升。
- 无参考各向同性三维电子显微重建
基于扩散模型的框架实现了逆转因成像模态的特性而导致各向异性轴向分辨率的挑战,且无需参考数据或先验知识,通过利用 2D 扩散模型持续重建 3D 体积,在高度下采样数据中表现出优越性,并通过在两个公共数据集上的实验,证明了与监督学习方法相比利用 - 扫描透射电子显微镜自动实验的深度学习
本论文探讨了在电子显微镜中使用机器学习来进行数据分析和优化工作流程的挑战,并讨论了人类科学家和机器学习在实验工作流程中的相对贡献以及开发通用超级语言的需求。
- KDD用预训练神经网络集成进行透射电子显微图像分割和质量检测
本专业研究了机器学习在电子显微数据集分析中的应用问题,因为这种类型的数据集具有许多挑战,包括训练数据集大小限制、试样质量及实验条件的变化等。研究发现,使用 EA 方案的集合设计比 ER 方式更适合处理这些问题,因为 EA 表现出更好的分类精 - 纳米尺度显微镜中的人工智能可视化
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。
- 电子显微镜中的深度学习综述
本篇综述回顾了深度学习在电子显微镜领域的流行应用,并讨论了与电子显微镜接口所需的硬件和软件,以及神经网络组件,流行架构以及它们的优化。最后,探讨了深度学习在电子显微镜领域的未来方向。
- NIPS具有本地拓扑约束的高效二维神经元边界分割
本文提出了一种基于随机森林分类器和卷积神经网络的分割方法,采用整数线性规划强制实现连续的细胞膜分割,成功避免了传统方法中的模糊细胞内部混合现象,同时降低了拓扑错误。
- 连接组学的错误检测和纠正框架
利用多尺度三维卷积网络实现三维重建和图像分割中的异常检测和校正任务,输入原始图像和候选对象的二进制掩模,可以获得分裂和合并错误地图以及真实对象,使用错误检测网络得到的错误建议对象掩模可以提高错误校正网络的准确性。
- ICCV多阶段多递归输入全卷积网络用于神经元边界检测
本文提出了多阶段多递归输入的完全卷积网络通过学习低阶段的不同感受野大小的多个侧面输出,为后续学习提供多尺度的上下文边界信息,以解决电子显微镜图像分割的挑战问题,结果在两个公共可用的 EM 分割数据集上取得了有希望的结果。
- 大规模连通组学的多通路方法
该研究提出了一种基于多核系统的、可用于实时处理电子显微镜数据的多通道管道,并演示了其在重建神经元连接性的准确性和速度上的优势。
- ECCVSSHMT: 用于电子显微镜图像分割的半监督层次合并树
本文提出一种基于区域的半监督分割方法,通过一个可微的无监督损失函数和贝叶斯模型结合有监督信息,可以在仅用 3%到 7%的完整标签数据子集的情况下实现与全标签方法相当的表现并显著优于仅相同标签子集的有监督方法。