相关实验视频
Updated: Feb 27, 2026
06:27
Automated Analysis of C. elegans Fluorescence Images using SegElegans
Published on: October 10, 2025
684
深度卷积神经网络用于在C上的自动对焦控制. elegans 追踪系统追踪系统
Santiago Escobar-Benavides1, Jose-Julio Peñaranda-Jara1, Joan-Carles Puchalt1
1Instituto de Automática e Informática Industrial, Universitat Politècnica de València, Camino de Vera S/N, 46022 Valencia, Spain.
Biosensors
|February 26, 2026
概括
这项研究引入了一种快速的卷积神经网络方法,用于精确的显微镜,专注于像Caenorhabditis elegans这样的活体受试者. 它可以进行一次性预测,提高成像速度和准确性,而不需要代扫描.
科学领域:
- 显微镜和成像技术技术.
- 计算生物学 计算生物学
- 机器学习在生物科学中的应用
背景情况:
- 精确的焦点定位对于动态生物样本的高分辨率显微镜至关重要,例如Caenorhabditis elegans.
- 现有的聚焦方法往往缺乏实时跟踪移动标本所需的速度.
研究的目的:
- 开发一种使用卷积神经网络 (CNN) 进行实时显微镜的快速,一次性聚焦方法.
- 为了提高聚焦精度和效率,消除了对代光学轴扫描的需求.
主要方法:
- 一种基于CNN的新方法,用于直接预测最佳焦距.
- 实施一种新的数据增强技术,以改善没有额外数据的模型性能.
- 训练和比较各种CNN架构,包括ConvNext V2,在图像的z堆上.
主要成果:
- 与传统扫描技术相比,拟议的一次性CNN方法显著加快了焦点定位.
- 验证了一种新的数据增强策略,以提高模型准确度,而不需要更多的实验数据.
- 对于这一重点任务,ConvNext V2表现出了比其他评估的架构更高的性能.
结论:
- 开发的基于CNN的方法为实时微镜实时聚焦提供了快速而准确的解决方案.
- 这种新型数据增强技术有效地提高了模型的概括性和性能.
- ConvNext V2显示了作为自动化显微镜聚焦应用程序的领先架构的承诺.
