使用卷积网络对微游泳深度的单摄像头估计

科学领域:

• 微生物学 微生物学
• 生物物理学的生物物理.
• 机器学习 机器学习

背景情况:

• 测量原始3D轨迹通常需要复杂的实验设置,如直角相机.
• 现有的用于垂直位置估计的机器学习方法需要大,细距离的标记数据集.

研究的目的:

• 开发一种简单,具有成本效益的方法,用于为原始人生成标记的3D轨迹数据.
• 训练一个机器学习模型,用标准明亮场显微镜来估计Paramecium的垂直位置.
• 将这种技术应用于研究Paramecium的tighmotaxis行为.

主要方法:

• 一个倾斜的幻灯片设置被用来创建一个数据集的Paramecium图像与标记的垂直位置从单个5分钟的电影.
• 在这个数据集上训练了一个简单的卷积神经网络.
• 经过训练的网络被用来从传统的明亮场图像中估计Paramecium的垂直位置.

主要成果:

• 使用倾斜幻灯片方法成功生成了一组标记Paramecium图像的数据集.
• 训练了一个卷积网络,以准确估计Paramecium的垂直位置.
• 开发的技术证明了足够的准确性来研究Paramecium的表面遵循行为 (thigmotaxis).

结论:

• 倾斜的幻灯片方法提供了一种简单而有效的方法来创建标记的数据集,用于原生虫跟踪.
• 机器学习,使用传统的明亮场显微镜,可以准确地确定前列体的垂直位置.
• 这种技术有助于研究像Paramecium的tighmotaxis这样的行为.