전체 글146 de Haan, Kevin, et al., 2020, Deep-Learning-Based Image Reconstruction and Enhancement in Optical Microscopy # Three-line Summary # In recent years, deep learning has been shown to be one of the leading machine learning techniques for a wide variety of inference tasks. In addition to its mainstream applications, such as classification, it has created transformative opportunities for image reconstruction and enhancement in optical microscopy. This article provides an overview of some of the recent work .. 2022. 9. 12. Chamier et al., 2019, Artificial intelligence for microscopy: what you should know # Three-line Summary # Artificial Intelligence based on Deep Learning (DL) is opening new horizons in biomedical research and promises to revolutionize the microscopy field. We introduce recent developments in DL applied to microscopy in a manner accessible to non-experts. We discuss how DL shows an outstanding potential to push the limits of microscopy, enhancing resolution, signal, and informa.. 2022. 9. 2. [DECODE] Speiser, Artur, et al., 2021, Deep learning enables fast and dense single-molecule localization with high accuracy # Three-line Summary # Single-molecule localization microscopy (SMLM) has had remarkable success in imaging cellular structures with nanometer resolution, but standard analysis algorithms require sparse emitters, which limits imaging speed and labeling density. We developed DECODE (deep context dependent; using deep learning), a computational tool that can localize single emitters at high densit.. 2022. 8. 29. [U-Net] Ronneberger et al., 2015, U-Net: Convolutional Networks for Biomedical Image Segmentation. # Three-line Summary # We present a network and training strategy that relies on the strong use of data augmentation to use the available annotated samples more efficiently. The architecture consists of a contracting path to capture context and a symmetric expanding path that enables precise localization. Using the network trained on transmitted light microscopy images, we won the ISBI cell trac.. 2022. 8. 11. [BGnet] Mockl et al., 2020, Accurate and rapid background estimation in single-molecule localization microscopy using the deep neural network BGnet # 세줄 요약 # 형광현미경법에서 연구자가 원치 않는 임의의 공간 형태에서 나오는 배경 형광은 광학현미경 영상의 품질을 저하시키는 주요 원인 중의 하나이다. 저자들은 현미경 영상에서 배경을 빠르게 추정하여, 영상 내의 포인트 소스(point source)를 뛰어난 정확도로 측정하기 위해, 깊은 신경망(deep neural network) 중에 하나인 U-net 형태의 구조를 기반으로 하는 BGnet을 개발하였다. 저자들은 잘 학습된 BGnet으로 배경을 측정 후 제거함으로서 영상 내의 다양한 PSF(point source function)들을 추출할 수 있었고, 이렇게 배경을 제거한 영상들을 사용하여 정밀한 생체구조를 볼 수 있는 고품질의 초해상도 영상을 재구현하였다. # 상세 리뷰 # 1. Introd.. 2022. 7. 19. [ANNA-PALM] Ouyang et al., 2018, Deep learning massively accelerates super-resolution localization microscopy # 세줄 요약 # 초고해상도 현미경법(Super-resolution microscopy method)의 영상 획득 속도는 단일 분자의 위치 결정(single-molecule localization)에 영향을 받게 되는데, 예를 들어 PALM과 STORM의 경우, 한번에 약 수십개 정도의 적은 수의 분자들만이 관측되는 단일 분자 영상 수천장을 합성하여 만들게 된다. 저자들은 최근에 컴퓨터 비전 분야에 각광받는 인공 신경망(Artificial Neural Network; ANN)을 사용하여, 훨씬 적은 수의 단일 분자 영상들과 widefield 영상를 가지고 초고해상도 형광현미경 영상(fluorescence image)을 재구현(reconstruction)하는 ANNA-PALM 모델을 소개하였다. 이 ANN.. 2022. 6. 22. 심상희, 2018, 단일분자 위치측정을 이용한 초해상도 형광 현미경법 # 세줄 요약 # 형광 현미경은 형광물질의 방출빛 만을 선택적으로 검출함으로써 높은 감도로 특정 분자만을 선택적으로 가시화할 수 있어 현대 생물학의 필수도구가 되었으나, 단일 분자의 경우 가시광의 회절 무늬보다 훨씬 작기 때문에 단일 분자의 이미지는 광학적 회절현상으로 결정되어 수백 나노미터의 회절 무늬를 가지는 한계가 있었다. 그러나 이미지가 겹치치 않을 정도의 소수의 분자들만 일시적으로 형광을 켜고 끌 수 있다면 이들의 위치를 정확하게 알 수 있으므로, 빛에 의하여 끄고 켤 수 있는 유기 염료나 형광 단백질을 사용하여 분자들을 끄고 켜면서 정확하게 그 위치를 측정하고 전체 구조를 초고해상도 이미지로 재현하는 형광 현미경법을 STORM(stochastic reconstruction microscopy).. 2022. 6. 15. [Inception V3] Szegedy et al., 2016, Rethinking the Inception Architecture for Computer Vision # 세줄 요약 # Since 2014 very deep convolutional networks started to become mainstream, yielding substantial gains in various benchmarks. We are exploring ways to scale up networks in ways that aim at utilizing the added computation as efficiently as possible by suitably factorized convolutions and aggressive regularization. We benchmark our methods on the ILSVRC 2012 classification challenge valida.. 2022. 4. 11. [MobileNet] Howard et al., 2017, MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications # 세줄 요약 # MobileNets are based on a streamlined architecture that uses depthwise separable convolutions to build light weight deep neural networks. We introduce two simple global hyper-parameters that efficiently trade off between latency and accuracy. We present extensive experiments on resource and accuracy tradeoffs and show strong performance compared to other popular models on ImageNet clas.. 2022. 3. 21. [DenseNet] Huang et al., 2017, Densely Connected Convolutional Networks # 세줄 요약 # We introduce the Dense Convolutional Network (DenseNet), which connects each layer to every other layer in a feed-forward fashion. For each layer, the feature-maps of all preceding layers are used as inputs, and their own feature-maps are used as inputs into all subsequent layers. DenseNet has several compelling advantages: they alleviate the vanishing-gradient problem, strengthen feat.. 2022. 3. 13. 이전 1 ··· 3 4 5 6 7 8 9 ··· 15 다음
