基于深度学习的尺寸预测,用于从有限带宽摄像头检测光学捕获的纳米粒子和细胞外囊泡
Derrick Boateng1, Kaiqin Chu2, Zachary J Smith3,4
1National Engineering Research Center of Speech and Language Information Processing, Department of Electronic Engineering and Information Science, University of Science and Technology of China, China.
Biomedical optics express
|January 15, 2024
概括
我们开发了一种基于ResNet的方法,用于使用光学陷准确测量纳米粒子尺寸. 这种人工智能方法克服了传统方法的局限性,改善了纳米粒子和细胞外囊泡的大小预测.
科学领域:
- 生物物理学的生物物理.
- 纳米技术纳米技术
- 光学物理学 光学物理学
背景情况:
- 在光学陷中的基于摄像头的监控提供了纳米粒子的多参数表征.
- 不准确的尺寸预测源于当前方法中的模糊和有限的时间带宽.
- 强大的光学陷刚度加剧了位置检测错误.
研究的目的:
- 为捕获的纳米粒子开发一个准确的尺寸表征方法.
- 为了克服现有的尺寸算法在光学陷的局限性.
- 为了在单个粒子层面上实现精确的形态光学表征.
主要方法:
- 基于ResNet的深度学习模型使用模拟的时间序列数据来训练受约束的布朗运动.
- 该方法利用基于摄像机的监测在光学陷中的纳米粒子.
- 结合尺寸网络与高速视频静态,用于尺寸和折射率量化.
主要成果:
- 该ResNet方法的性能优于最先进的尺寸算法,如调整的洛伦兹拟合和CNNs.
- 对于标准纳米粒子和细胞外囊泡 (EVs),即使测量时间短 (<1s),也可以实现精确的尺寸.
- 该网络准确地确定了临床样本中的EV大小分布,并与纳米粒子跟踪分析 (NTA) 进行了验证.
结论:
- 拟议的基于ResNet的方法可以准确地描述被困纳米粒子和EV的尺寸.
- 这种方法克服了基于相机的光学陷中固有的模糊和别名问题.
- 该技术为预测生物纳米粒子形态异质性和量化尺寸和折射率提供了可靠的途径.
