본문 바로가기

논문 리뷰62

[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.
[FCN] Long et al., 2015, Fully Convolutional Networks for Semantic Segmentation # 세줄 요약 # 저자들이 소개한 FCN은 엔드 투 엔드(end-to-end), 픽셀에서 픽셀로(pixels-to-pixels) 학습되어, 즉 입력으로도 '영상'이 들어가고, 출력에서도 분할된 '영상'이 나오는 시멘틱 분할(semantic segmentation)에서 가장 높은 성능을 보인 합성곱 신경망이다. FCN의 핵심은 네트워크 이름에도 들어가 있듯이 'Fully convolutional Network'(완전 연결된 합성곱 신경망) 구조가 핵심 아이디어이며, 이를 구현하기 위해서 기존의 분류에 사용된 합성곱신경망 모델인 AlexNet, VGG, GoogLeNet 등을 기본모델(baseline model)로 사용하고, 이들 모델의 학습된 웨이트(weight)를 미세조정(fine-tuning)하여 분할.. 2022. 11. 24.
[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] Minaee et al., 2021, Image Segmentation Using Deep Learning: A Survey (* 작성 중; ~2022.11.04) # 세줄 요약 # 이미지 분할(Image segmentation)은 컴퓨터 비전(computer vision)과 영상처리(image processing)에서 가장 중요한 업무 중의 하나로 장면 이해, 의료 영상 분석, 로봇 인식, 비디오 감시, 증강 현실, 이미지 압축 등의 다양한 분야에서 여러 분할 알고리즘들이 선행 연구 문헌에서 발견된다. 저자들은 최근 문헌들을 뒤져서 픽셀 단위에서 작동하는 semantic and instance segmentation 합성곱 신경망, 인코더-디코더 구조, 다양한 스케일에서 피라미드 구조 접근법, 순환 신경망, 시각적 집중 모델(visual attention models), 적대적 생성 신경망(generative models i.. 2022. 10. 21.
[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.

티스토리툴바