使用卷积神经网络和用于亮场成像的珠子建立参考焦点平面
Joe Chalfoun1, Steven P Lund2, Chenyi Ling2
1National Institute of Standards and Technology, Gaithersburg, MD, USA. joe.chalfoun@nist.gov.
Scientific reports
|April 2, 2024
概括
准确和可重复的显微镜测量具有挑战性. 本研究引入了一种使用控制珠和卷积神经网络 (ResNet 18) 建立参考有效焦平面 (REFP) 的新方法,显著提高了不同显微镜的测量可靠性.
科学领域:
- 显微镜和图像分析
- 计算生物学 计算生物学
- 生物医学工程 生物医学工程
背景情况:
- 显微镜测量由于样本异质性,阶段定位和幻灯片厚度而遭受重复性问题.
- 建立焦点平面的现有方法在不同的仪器中缺乏通用性.
研究的目的:
- 开发一种可通用和高度准确的方法来定义参考有效焦平面 (REFP).
- 为了提高显微镜中图像分析测量的重复性.
主要方法:
- 通过使用立方线配件和交叉实验数据共享精细化的REFP定义.
- 实施了一个卷积回归神经网络 (ResNet 18),以控制珠图像进行训练.
- 在两个不同的光学系统上验证了该方法.
主要成果:
- 在ResNet 18网络预测REFP位置的高精度 (在7.5微米的不确定性).
- 该方法在多个显微镜和实验条件下证明了可通用性.
- 使用每张图像只需6个珠子,实现了高精度.
结论:
- 拟议的方法提高了显微镜中的测量可重复性和精度.
- 使用控制珠和深度学习为焦点平面的确定提供了强大的解决方案.
- 这种方法适用于各种光学系统,进步了定量显微镜.


