相关实验视频
Updated: Jul 19, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.9K
用深度学习进行大规模细胞电子显微镜的细分:文献调查
Anusha Aswath1, Ahmad Alsahaf2, Ben N G Giepmans2
1Bernoulli Institute of Mathematics, Computer Science and Artificial Intelligence, University Groningen, Groningen, The Netherlands; Department of Biomedical Sciences of Cells and Systems, University Groningen, University Medical Center Groningen, Groningen, The Netherlands.
Medical image analysis
|August 12, 2023
概括
深度学习显著推进了大规模电子显微镜 (EM) 数据集的自动细分. 本综述详细介绍了深度学习方法,数据集和从EM图像中细分细胞结构的挑战.
科学领域:
- 显微镜和成像科学 显微镜和成像科学
- 计算生物学 计算生物学
- 人工智能在生物学中的应用
背景情况:
- 大规模电子显微镜 (EM) 数据集的手动细分是劳动密集且耗时的.
- 自动细分方法对于高分辨率细胞和亚细胞结构的有效分析至关重要.
- 近年来,深度学习已经成为应对这些挑战的强大工具.
研究的目的:
- 在过去六年中,审查基于深度学习的细分技术在大型蜂EM中的进展.
- 详细介绍关键数据集,方法 (监督,无监督,自我监督) 和EM图像细分方面的挑战.
- 提供未来趋势的前景,包括大规模模型和从未标记的数据中学习.
主要方法:
- 对2D和3DEM图像分割应用的深度学习算法的全面审查.
- 分析监督,无监督和自我监督的学习方法.
- 检查设计用于处理EM图像复杂性的网络架构,如异质性和空间复杂性.
主要成果:
- 通过深度学习,在细胞和亚细胞结构的语义和实例细分方面取得了重大进展.
- 确定推动EM细分进步的关键数据集.
- 描述解决诸如图像异质性和空间复杂性等挑战的方法.
结论:
- 深度学习已经在大规模EM中彻底改变了自动化细分,使得分析更有效,更准确.
- 未来的方向包括利用大规模模型和未标记的数据,在不同的EM数据集中进行更广泛的特征学习.
- 深度学习的持续发展有望在了解细胞和亚细胞组织方面取得进一步的突破.
