相关实验视频
Updated: Jun 12, 2025

06:37
Quantifying Cytoskeleton Dynamics Using Differential Dynamic Microscopy
Published on: June 15, 2022
3.5K
应用于微分动态显微镜的卷积神经网络在量化异质动态时减少噪声.
Gildardo Martinez1, Justin Siu1, Steven Dang1
1Department of Physics and Biophysics, University of San Diego, San Diego, CA 92110, USA. rmcgorty@sandiego.edu.
Soft matter
|September 24, 2024
概括
本研究引入了一种机器学习方法,用于降低微分动态显微镜 (DDM) 分析中的噪声,即使在有限的成像或快速变化的动态中,也可以实现准确的运动量化.
科学领域:
- 软物质物理学 软物质物理学
- 生物物理学的生物物理.
- 材料科学是一种材料科学.
背景情况:
- 不同动态显微镜 (DDM) 需要大量的成像数据来准确量化软物质的运动量.
- 短或动态的成像序列产生杂和不可靠的DDM结果,限制了应用.
研究的目的:
- 开发和验证基于机器学习的DDM的Denoising方法.
- 用有限的来提高DDM准确性,并捕捉快速变化的动态.
主要方法:
- 一个卷积神经网络编码器-解码器 (CNN-ED) 模型被用于通过DDM计算的中间散射函数.
- 该方法在经过凝并表现出粘度梯度的状颗粒悬浮上进行了测试.
主要成果:
- 在DDM分析中,CNN-ED模型有效地降低了噪音,即使在有限的成像.
- 在液体凝过程中以及在粘度梯度中,可以精确量化颗粒扩散率.
- 无光化方法成功地捕获了时间变化和空间变化的粒子动态.
结论:
- 机器学习增强的DDM为分析软物质系统中复杂动态提供了强大的解决方案.
- 这种方法将DDM的适用性扩展到数据有限或非平衡条件的场景.
- 这种方法对高通量选和研究动态过程具有前景.

