相关实验视频

Updated: Jun 11, 2025

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Deep Learning-Based Segmentation of Cryo-Electron Tomograms

Published on: November 11, 2022

围杯网:基于波纹的高频融合网络,用于电子显微镜图像的语义细分

Yanfeng Zhou, Lingrui Li, Chenlong Wang

IEEE transactions on medical imaging

|October 4, 2024

概括

GobletNet是一个新型的深度神经网络,通过利用高频图像特征来增强电子显微镜 (EM) 图像细分. 这种方法在EM图像分割任务中显著提高了纳米级分析的准确性和多功能性.

科学领域:

显微镜和成像技术技术.
计算生物学和生物信息学
材料科学材料科学材料科学

背景情况:

电子显微镜 (EM) 图像的语义细分对于纳米分析至关重要.
深度神经网络 (DNN) 具有先进的EM图像细分,但通常适应来自其他领域的模型.
现有的模型缺乏专门利用内在的EM图像特征和多功能性.

研究的目的:

使用波形变换量化分析EM图像特征.
为EM图像开发一个多功能和有效的语义细分模型.
为了提高EM图像分割的准确性和性能.

主要方法:

通过波形变换对EM图像特征进行定量分析.
设计GobletNet,一个高频 (HF) 融合网络,包含一个额外的编码分支用于HF信息.
整合一个融合注意模块 (FAM) 来增强来自原始和高频图像的信息融合.

主要成果:

在EM图像语义细分方面,GobletNet在EM图像语义细分方面表现优于最先进的模型.
该模型有效地利用通过波形变换提取的高频信息.
在七个不同的EM数据集上的基准测试证实了该模型的有效性和多功能性.

结论:

通过利用独特的图像属性,GobletNet在EM图像语义细分方面取得了重大进展.
高频融合方法和FAM有助于提高细分精度和模型适应性.
开发的模型为使用EM图像进行纳米尺度分析提供了更加通用和有效的工具.

更多相关视频

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data

Published on: August 13, 2014

Area-based Image Analysis Algorithm for Quantification of Macrophage-fibroblast Cocultures

Area-based Image Analysis Algorithm for Quantification of Macrophage-fibroblast Cocultures

Published on: February 15, 2022

相关概念视频

Super-resolution Fluorescence Microscopy

Super-resolution Fluorescence Microscopy

Super-resolution fluorescence microscopy (SRFM) provides a better resolution than conventional fluorescence microscopy by reducing the point spread function (PSF). PSF is the light intensity distribution from a point that causes it to appear blurred. Due to PSF, each fluorescing point appears bigger than its actual size, and it is the PSF interference of nearby fluorophores that causes the blurred image. Various approaches to achieving higher resolution through SRFM have recently been...