相关实验视频
Updated: Jul 16, 2026
15:04
Picometer-Precision Atomic Position Tracking through Electron Microscopy
Published on: July 3, 2021
7.4K
深度学习方法用于高精度的电子计数单体活性像素传感器类型的直接电子探测器在增加的电子剂量
Jingrui Wei1, Kalani Moore2, Benjamin Bammes2
1Department of Materials Science and Engineering, University of Wisconsin-Madison, 1509 University Ave, Madison, WI 53706, USA.
概括
一种新的深度学习 (DL) 方法准确地识别了直接电子探测器中的单个电子,克服了传统算法的局限性. 这种先进的电子计数提高了位置精度,并扩展了高剂量速率分析,以获得更好的成像.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 图像处理 图像处理
背景情况:
- 直接电子探测器中的电子计数旨在减少读数和兰道噪声.
- 现有的算法与多电子事件,位置精度和暗噪声作斗争.
研究的目的:
- 为准确的单电子事件识别开发监督深度学习 (DL) 方法.
- 为了改善单体活像素传感器直接电子探测器中的电子计数.
主要方法:
- 利用基于快速区域的卷积神经网络 (R-CNN) 进行监督学习.
- 训练DL模型在不同的电子剂量和电压下识别单个电子事件.
- 通过调制转移函数 (MTF) 和探测器量子效率来评估性能.
主要成果:
- DL方法实现了高精度,几乎理想的MTF和探测器量子效率.
- 与传统方法 (0.59像素) 相比,证明了更高的位置精度 (0.47像素偏差).
- 在较高的电子剂量下,显示出对偶然损失的增强强度,保持MTF在0.83.3以上.
结论:
- 监督的DL Faster R-CNN模型准确地识别了单个电子事件.
- 这种DL方法在较高的剂量速率下提供了更好的定位精度和稳定性.
- DL方法将电子计数的好处扩展到更广泛的实验条件中.
更多相关视频
07:56User-friendly, High-throughput, and Fully Automated Data Acquisition Software for Single-particle Cryo-electron Microscopy
Published on: July 29, 2021
3.6K
10:23Author Spotlight: A Machine-Vision Approach to Transmission Electron Microscopy Workflows, Results Analysis and Data Management
Published on: June 23, 2023
2.7K
