教导深度神经网络定位单分子用于超分辨显微镜
图像与视频处理
2020-07-21 v2 机器学习
机器学习
摘要
单分子定位荧光显微镜通过对稀疏激活荧光团的序列成像与计算定位来构建超分辨图像。准确高效的荧光团定位算法是这一计算显微镜方法成功的关键。我们提出了一种基于深度学习的新颖定位算法，显著优于现有最优方法。我们的贡献在于一种用于同步检测与定位的新颖网络架构，以及将检测与定位表述为贝叶斯推断问题从而允许网络提供不确定性估计的新损失函数。与独立处理成像帧的标准方法不同，我们的网络架构利用多帧顺序成像的时间上下文来检测与定位分子。我们在多种数据集、成像模态、信噪比和荧光团密度上展示了方法的威力。现有定位算法可在低荧光团密度下达到最优定位精度，但在高密度下受困。我们的方法是首个基于深度学习且在SMLM2016挑战赛上达到最优表现的方法。在比较检测准确率与精度的12个数据集中，它取得12项最佳分数，并在高密度下表现突出。最后，我们探究了如何利用无监督学习使网络对模拟与真实数据间的不匹配具有鲁棒性。此处所得经验更普遍地适用于训练深度网络以解决生物与物理中空间扩展域上的挑战性贝叶斯逆问题。
引用
@article{arxiv.1907.00770,
title = {Teaching deep neural networks to localize single molecules for super-resolution microscopy},
author = {Artur Speiser and Lucas-Raphael Müller and Ulf Matti and Christopher J. Obara and Wesley R. Legant and Jonas Ries and Jakob H. Macke and Srinivas C. Turaga},
journal= {arXiv preprint arXiv:1907.00770},
year = {2020}
}
备注
Significant improvements of the algorithm, including a novel loss function. Evaluations on multiple real data sets