相关实验视频
Updated: May 23, 2025
10:25
Deep Learning-Based Segmentation of Cryo-Electron Tomograms
Published on: November 11, 2022
8.4K
通过深度学习用于3D电子显微镜的自动细胞结构提取
Jin Kousaka1, Atsuko H Iwane2,3,4, Yuichi Togashi5,6,7
1Graduate School of Life Sciences, Ritsumeikan University, 1-1-1 Noji-higashi, 525-8577, Kusatsu, Shiga, Japan.
Scientific reports
|May 20, 2025
概括
本研究介绍了一种自动化的深度学习系统,用于从电子显微镜图像中对3D细胞结构进行细分和重建. 该方法显著减少了手工劳动,从而实现了高效的3D细胞建模.
科学领域:
- 细胞生物学 细胞生物学
- 生物技术是生物技术.
- 显微镜的使用方法
背景情况:
- 3D细胞和组织建模在生物学中至关重要.
- 电子显微镜图像的手动细分是耗时的.
- 需要自动化解决方案来分析复杂的细胞结构.
研究的目的:
- 开发基于深度学习的自动化系统,用于对生物图像进行细分.
- 为了实现细胞和器官的精确3D重建.
- 为了克服手动图像分析的瓶.
主要方法:
- 使用聚焦离子束扫描电子显微镜 (FIB-SEM) 来获取图像.
- 在单细胞图像中使用U-Net模型进行器官细分.
- 集成了分段任何模型 (SAM) 和3D分水算法用于细胞提取和3D模型创建.
主要成果:
- 从连续电子显微镜图像中成功自动创建3D细胞模型.
- 使用训练有素的U-Net.证明了细胞有机体的准确细分.
- 能够有效地从大型数据集中提取单个3D细胞图像.
结论:
- 开发的系统完全自动化了3D细胞模型的创建.
- 深度学习和图像处理的进步可以提高细分精度.
- 这种方法加速了细胞结构的分析.
