基于深度学习的定量数字显微术

视频显微术在从物理到生物的广泛学科中提供见解与突破已有悠久历史。从视频显微数据中提取定量信息的图像分析传统上依赖于算法方法，这类方法往往难以实现、耗时且计算昂贵。近来，使用深度学习的替代数据驱动方法极大改进了定量数字显微术，有望提供自动化、准确且快速的图像分析。然而，深度学习与视频显微术的结合仍未得到充分利用，主要因为开发定制深度学习方案涉及陡峭的学习曲线。为克服此问题，我们介绍一款软件DeepTrack 2.0，用于设计、训练和验证数字显微术的深度学习方案。我们以其为例说明深度学习如何用于广泛应用，从粒子定位、追踪与表征到细胞计数与分类。得益于用户友好的图形界面，DeepTrack 2.0可轻松针对用户特定应用定制；并得益于其开源面向对象编程，可轻松扩展以添加特性与功能，从而有可能将深度学习增强的视频显微术引入更广泛的受众。