Microscopy6 [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. 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. [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. 이전 1 다음
