논문 리뷰/바이오영상12 [upU-net] Benfenati, 2022, upU-Net Approaches for Background Emission Removal in Fluorescence Microscopy # 세줄 요약 # 자동형광(auto-fluorescence)은 형광현미경(fluorescence microscopy) 영상에서 목표한 대상 물체를 관측하는데 장애물이 되는 아티팩트(artifact)를 만들어내기에, 저자들은 "upU-net"이라 명명한 U-net의 수정 모델을 가지고 딥러닝을 통해 이렇게 배경에서 방출된 아티팩트를 fluorescence confocal microscopy images에서 제거하는 연구를 수행하였다. upU-net을 학습하고 테스트하기 위하여 psf(point spread function)와 Perlin noise를 사용하여 실제 형광 현미경 영상과 거의 유사한 영상들을 만들어 실험을 하였고, 그 결과 배경이 제거되는 것은 물론이고 신경망이 영상을 재구축하면서 Guassi.. 2023. 2. 28. [PN-ImTLSM] Xue et al., 2021, PN-ImTLSM facilitates high-throughput low background single-molecule localization microscopy deep in the cell # 세줄 요약 # 1. Light-sheet fluorescence microscopy (LSFM)은 이미징 속도가 빠르고 배경 제거(background removal)에도 탁월하여 널리 쓰이는 이미징 방법이지만, 일반적으로 excitation/detection의 방향이 직교(orthogonal)하도록 현미경을 설계하여 생기는 구조적인 문제로 인해 single-cell imaging에 사용하기 힘들다. 2. 저자들은 배경을 제거하고 높은 처리량(high-throughput)을 가진 새로운 형광현미경법(fluorescence imaging)인 "The Immersion Tilted Light Sheet Microscopy" (ImTLSM)을 제안함으로서, 단분자(single molecule) 검출 감도와 .. 2023. 1. 31. [Review] Yamanaka et al., 2014, Introduction to super-resolution microscopy (* 작성 중...;~2022.11.23) # 세줄 요약 # 저자들은 최근에 개발된 현미경 영상의 공간 해상도를 향상시킨 초해상도 현미경법의 원리를 소개하고 있다. 이러한 초해상도 기술들은 빛과 형광탐침(fluorescent probes)들의 상호작용을 이용하여 회절 장벽(diffraction barrier)을 깸으로서 공간해상도의 한계를 극복할 수 있었다. 이러한 각각의 초해상도 현미경법 영상처리 기술의 특징들을 기존의 전통적인 영상처리 기술들과 비교해볼 것이다. # 상세 리뷰 # 1. Introduction 광학 현미경은 우리가 미생물, 세포, 조직과 장기 등을 살아있는 상태에서 영상을 찍어 조사가 가능하도록 하였기에, 생물학과 의학 분야에서 매우 중요한 도구로 사용되고 있다. 특히 형광 탐침(flu.. 2022. 11. 6. [Review] Belthangady & Royer, 2019, Applications, promises, and pitfalls of deep learning for fluorescence image reconstruction. # 세줄 요약 # 딥러닝은 형광현미경법(fluorescence miroscopy)에서 영상 재구현(image reconstruction)을 하는데 중요한 툴이 되고 있다. 저자들은 영상 재구현과 초고해상도 이미징(super-resolution imaging)에서 가장 최신 기술의 적용 사례들을 리뷰하고, 가장 최근의 딥러닝 연구들이 영상 재구현 연구에 어떻게 적용되고 있는지 논의하고자 한다. 저자들은 학습데이터 수집, 영상에서 보이지 않는 구조의 재현 가능성, 재구현된 이미지의 위험성 등의 딥러닝을 사용할 때의 핵심 이슈들에 대해서도 논의하고 있다. # 상세 리뷰 # 1. 서론 형광현미경법(Fluorescence microscopy)은 생물학자들에게 있어 생물을 분자단위에서 생체구조와 작동 방식을 연구할.. 2022. 10. 9. [Review] Liu, Jin, et al., 2021, A survey on applications of deep learning in microscopy image analysis. # Three-line Summary # Microscopy images typically vary in signal-to-noise ratios and include a wealth of information that requires multiple parameters and time-consuming iterative algorithms for processing, but deep learning technologies develop quickly, and they have been applied in bioimage processing more and more frequently. This review article introduces the applications of deep learning a.. 2022. 9. 27. Moen, Erick, et al., 2019, Deep learning for cellular image analysis # Three-line Summary # Deep learning algorithms are being applied to biological images and are transforming the analysis and interpretation of imaging data. We review the intersection between deep learning and cellular image analysis and provide an overview of both the mathematical mechanics and the programming frameworks of deep learning that are pertinent to life scientists. We relay our labs'.. 2022. 9. 19. 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. [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. 이전 1 2 다음
