在单分子定位显微镜中通过深度学习进行一键图像重建

科学领域:

• 生物物理学的生物物理.
• 显微镜的使用方法
• 计算生物学 计算生物学

背景情况:

• 深度神经网络推进了显微镜图像分析,特别是在单分子局部化超分辨率显微镜中.
• 目前的方法需要大量的手动参数调整和专业知识,限制模型的概括性,并需要重新培训新的实验条件.

研究的目的:

• 介绍AutoDS和AutoDS3D,这些软件程序可以自动化单分子超分辨率显微镜数据重建.
• 显著减少分析显微镜数据所需的人类干预和计算专业知识.

主要方法:

• AutoDS自动从原始成像数据中提取实验参数,以在2D中进行最佳模型选择.
• AutoDS3D提高了计算效率,并集成了一个可单击重建3D图像的图形用户界面.
• 这两种方法分别基于Deep-STORM和DeepSTORM3D.

主要成果:

• 通过选择2D分析的最佳预训练模型,AutoDS消除了用户监督.
• AutoDS3D为3D重建提供了更高的计算效率和精简的工作流.
• 这两种管道在复杂的生物样本上表现出高于Deep-STORM和DeepSTORM3D的性能.

结论:

• 在单分子超分辨率显微镜中,AutoDS和AutoDS3D显著减少了手工劳动和计算时间.
• 这些自动化工具提高了先进显微镜数据分析的可访问性和效率.
• 该软件允许对复杂的生物样本进行可靠的分析,用户干预最小.