Search research articles

Videos de Conceptos Relacionados

Imaging Biological Samples with Optical Microscopy

Imaging Biological Samples with Optical Microscopy

Optical microscopy uses optic principles to provide detailed images of samples. Antonie van Leeuwenhoek designed the first compound optical microscope in the 17th century to visualize blood cells, bacteria, and yeast cells. In 1830, Joseph Jackson Lister created an essentially modern light microscope. The 20th century saw the development of microscopes with enhanced magnification and resolution.
In optical microscopy, the specimen to be viewed is placed on a glass slide and clipped on the stage...

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

Insights into the structure and evolution of the human SAGA complex by affinity-ligand purification.

Science advances·2026

Same author

STARD3 regulates lysosome positioning and contacts via a GSK3-controlled phosphorylation switch.

The EMBO journal·2026

Same author

Structure of the human TIP60-C histone exchange and acetyltransferase complex.

Nature·2024

Same author

Binding to nucleosome poises human SIRT6 for histone H3 deacetylation.

eLife·2024

Same author

iU-ExM: nanoscopy of organelles and tissues with iterative ultrastructure expansion microscopy.

Nature communications·2023

Same author

The structure of the NuA4-Tip60 complex reveals the mechanism and importance of long-range chromatin modification.

Nature structural & molecular biology·2023

Same journal

From Genomic Alterations to Functional Tumor Biology: Integrating Organoids and Organ-on-a-Chip in Colorectal Cancer.

Biology of the cell·2026

Same journal

Delta-Cell Area is Unchanged in Human Pregnancy: Evidence From Immunohistochemistry.

Biology of the cell·2026

Same journal

Rearrangement of the Cell Chaperone Machinery in Human Fibrosarcoma HT1080 Cells With the Knocked-Out HSP90AA1 Gene Encoding Hsp90α.

Biology of the cell·2026

Same journal

STAT Signaling and Its Anti-Apoptotic Effects in Dehydrated Xenopus laevis.

Biology of the cell·2026

Same journal

Integrated 2D-3D Proteomic Profiling Identifies MLK4 as a Microenvironment-Responsive Regulator of Chemotherapeutic Resistance in Human Glioblastoma Cells.

Biology of the cell·2026

Same journal

Mitochondrial Activity Localization in the Skeletal Muscle and Its Individual Fibers Across Tetrapods.

Biology of the cell·2026

Ver todos los artículos relacionados

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Search research articles

Video Experimental Relacionado

Updated: May 6, 2026

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

Published on: August 13, 2014

DeepSCEM: una solución fácil de usar para la segmentación de imágenes basada en el aprendizaje profundo en la

Cyril Meyer¹, Victor Hanss², Etienne Baudrier³

¹IRIMAS, Université de Haute-Alsace, UR 7499, Mulhouse, France.

Biology of the cell

|September 1, 2025

Resumen

Este resumen es generado por máquina.

DeepSCEM es una nueva herramienta para la segmentación rápida y eficiente de imágenes de microscopía electrónica celular. Utiliza el aprendizaje profundo para facilitar la segmentación de orgánulos para los investigadores.

Palabras clave:

Imágenes celulares aprendizaje profundo microscopía electrónica Los órganos segmentación el software

Más Videos Relacionados

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

Analyzing Mitochondrial Morphology Through Simulation Supervised Learning

Analyzing Mitochondrial Morphology Through Simulation Supervised Learning

Published on: March 3, 2023

Videos de Experimentos Relacionados

Last Updated: May 6, 2026

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

Published on: August 13, 2014

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

Analyzing Mitochondrial Morphology Through Simulation Supervised Learning

Analyzing Mitochondrial Morphology Through Simulation Supervised Learning

Published on: March 3, 2023

Área de la Ciencia:

Biología celular
Microscopía
Biología computacional

Sus antecedentes:

El aprendizaje profundo, particularmente las redes neuronales convolucionales (CNN), sobresale en la segmentación de imágenes.
La segmentación automática de las micrografías electrónicas celulares es crucial para la investigación biológica.
Las herramientas existentes carecen de facilidad de uso, lo que dificulta la adopción del aprendizaje profundo en la microscopía electrónica.

Objetivo del estudio:

Para introducir DeepSCEM, una herramienta fácil de usar para segmentar las imágenes de microscopía electrónica celular.
Permitir una segmentación rápida y eficiente de los orgánulos mediante el aprendizaje profundo.
Simplificar la generación y la formación de modelos de aprendizaje profundo para esta tarea.

Principales métodos:

Desarrollo de DeepSCEM, una herramienta de software sencilla.
Aplicación del aprendizaje profundo, específicamente las CNN, para la segmentación de imágenes.
Centrarse en la generación de modelos fáciles de usar y en los flujos de trabajo de formación.

Principales resultados:

DeepSCEM proporciona una solución rápida y eficiente para la segmentación de imágenes de microscopía electrónica.
La herramienta facilita la creación y la formación de modelos de aprendizaje profundo para la segmentación de orgánulos.
Aborda la necesidad de un software especializado y accesible en este campo.

Conclusiones:

DeepSCEM democratiza el uso del aprendizaje profundo para el análisis de imágenes de microscopía electrónica celular.
La herramienta mejora la eficiencia de la investigación al simplificar las tareas de segmentación complejas.
Promueve una adopción más amplia de métodos computacionales avanzados en biología celular.