相关实验视频
Updated: Jun 27, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.7K
用深度学习评估串行EM部分的质量.
Mahsa Bank Tavakoli1,2,3, Josh L Morgan1,2,3
1Department of Ophthalmology and Visual Sciences, Washington University in St. Louis, Euclid Ave., St. Louis, MO 63110, USA.
概括
使用修改后的ResNet-50的自动图像质量评估,称为质量评估网络 (QEN),可靠地预测串行截面扫描电子显微镜 (ssSEM) 图像的用户分数. 该工具有助于在ssSEM获取过程中识别和重新获取质量差的图像.
科学领域:
- 显微镜的使用方法
- 图像分析 图像分析
- 机器学习 机器学习
背景情况:
- 自动图像采集提高了串行截面扫描电子显微镜 (ssSEM) 的吞吐量.
- 在ssSEM中的图像质量可能因自动对焦和光束污名化而波动.
- 自动化质量评估对于生成高质量的ssSEM数据集至关重要.
研究的目的:
- 开发和验证用于评估ssSEM图像质量的自动化方法.
- 确定卷积神经网络是否可以复制人类质量评估.
- 为了在ssSEM采集过程中实时识别成像问题.
主要方法:
- 测试了多个卷积神经网络用于ssSEM图像质量评估.
- 开发了一个修改后的ResNet-50,命名为质量评估网络 (QEN).
- 经过培训和验证的QEN与用户生成的质量评分相比.
主要成果:
- QEN可靠地预测了ssSEM图像的用户生成的质量评分.
- 质量评估网络在评估图像质量方面表现出高准确度.
- QEN可以与ssSEM获取并行运行,以便立即反.
结论:
- 修改后的ResNet-50 (QEN) 提供了对ssSEM图像的可靠的自动化质量评估.
- QEN有助于快速识别成像问题,使图像重拍成为可能.
- 公开共享的代码和数据集支持使用和进一步开发QEN.
