相关实验视频
Updated: Jul 23, 2025
11:23
Lensless Fluorescent Microscopy on a Chip
Published on: August 17, 2011
17.7K
SpeckleNN:在X射线单粒子成像中实现实时斑点图案分类的统一嵌入,具有有限的标记示例
Cong Wang1, Eric Florin1, Hsing Yin Chang1
1SLAC National Accelerator Laboratory, 2575 Sand Hill Road, Menlo Park, CA 94025, USA.
IUCrJ
|July 17, 2023
概括
新的人工智能模型SpeckleNN有效地对纳米级成像的X射线散射模式进行了分类. 这种方法有助于实时处理X射线自由电子激光实验的数据,即使数据有限.
科学领域:
- 结构生物学是结构生物学.
- 生物物理学的生物物理.
- 在X射线科学方面,X射线科学
背景情况:
- X射线自由电子激光器 (XFEL) 通过X射线单粒子成像 (SPI) 实现非晶体纳米粒子的室温3D结构确定.
- 对于实时数据处理和高数据速率XFEL设施的3D重建,对单击提取的SPI散射模式 (光斑) 的分类至关重要.
研究的目的:
- 开发一个可扩展的,实时的斑点图案分类模型,用于X射线单粒子成像.
- 为了应对高通量SPI实验中有限的标记数据的挑战.
主要方法:
- 介绍SpeckleNN,一个使用双胞胎神经网络的统一嵌入模型.
- SpeckleNN将斑点图案映射到一个统一的嵌入式矢量空间中,以欧几里德距离测量的相似性.
- 该模型旨在实现线性可扩展性,具有数据集大小和少数镜头分类功能.
主要成果:
- 在未见的样本上,SpeckleNN展示了有效的少数镜头分类.
- 该模型表现出强大的性能,即使具有有限的标签数据 (每个类别的数十个标签) 和大量缺失的探测器区域.
- 实现线性可扩展性与数据集大小,以实现高效处理.
结论:
- 在高通量SPI实验中,SpeckleNN提供了一种有效的解决方案,用于实时分类斑点模式.
- 减少了大量手动标签和完整检测器图像的需要.
- 在XFEL设施中提供准确的3D重建和实时数据分析.
