基于神经网络的超高密度发光源定位
信号处理
2023-05-10 v1 计算机视觉与模式识别
机器学习
数据分析、统计与概率
流体动力学
光学
统计计算
摘要
单分子定位显微镜（SMLM）拓展了我们对亚细胞结构的可视化能力，但其时间分辨率受限。提高发光源密度将改善时间分辨率，但当前分析算法在发光源图像显著重叠时表现不佳。在此，我们提出一种称为LUENN的深度卷积神经网络，它采用独特架构摒弃了孤立发光源假设；可平滑适应从完全孤立到共定位的发光源。该架构连同定位不确定性的准确估计器，将可用发光源密度范围扩展了6倍，达到每平方微米超过31个发光源，且对定位精度的损耗更小、时间分辨率更高。除提供不确定性估计外，该算法还通过缩短成像时间和放宽成功实验的要求，提升了实验室中的易用性。
引用
@article{arxiv.2305.05542,
title = {Localization of Ultra-dense Emitters with Neural Networks},
author = {Armin Abdehkakha and Craig Snoeyink},
journal= {arXiv preprint arXiv:2305.05542},
year = {2023}
}