在单分子定位显微镜中通过实验参数感知深度学习进行一键重建

科学领域:

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

背景情况:

• 深度神经网络 (DNN) 推进了显微镜图像分析,特别是在单分子局部化显微镜 (SMLM) 中.
• DNN可以预测光体的位置,减少获取时间,增加SMLM的吞吐量.
• 当前的DNN方法需要对训练数据进行大量的手动参数调整,限制了适应性并增加了劳动力.

研究的目的:

• 在SMLM中引入AutoDS和AutoDS3D用于自动化超分辨率重建.
• 通过自动提取实验参数来减少SMLM分析中的人类干预.
• 提高SMLM数据处理的效率和用户友好性.

主要方法:

• 根据Deep-STORM和DeepSTORM3D开发了AutoDS和AutoDS3D. 这两种系统都是基于深度风暴和深度风暴3D.
• 从原始成像数据中实现了实验参数的自动提取.
• AutoDS自动选择2D SMLM的最佳预训练模型;AutoDS3D提高了3D重建的效率,并集成了一个GUI用于一键处理.

主要成果:

• 自动DS和AutoDS3D显著减少手工劳动和分析时间.
• 与Deep-STORM,DeepSTORM3D和其他最先进的方法实现了可比或优于的性能.
• 在2D分析中,使用AutoDS证明了完全消除用户监督.

结论:

• 自动DS和AutoDS3D为SMLM超分辨率重建提供自动化,高效和用户友好的解决方案.
• 这些方法克服了基于DNN的SMLM分析中手动参数调整的局限性.
• 该软件可实现高性能SMLM分析,降低计算成本和专家干预.