회절 한계를 1.5배 초과, 이미징 조건은 10배 더 낮음, 칭화대학교와 중국과학원은 AI 방법을 사용하여 현미경 해상도 향상
Editor | Radish Skin
전통적인 분석 알고리즘과 딥러닝 모델을 포함한 전산 초해상도 방법으로 광학현미경이 크게 향상되었습니다. 그 중 지도심층신경망은 뛰어난 성능을 보여주었지만, 살아있는 세포의 높은 역동성으로 인해 대량의 고품질 훈련 데이터가 필요하며 이러한 데이터를 얻는 것은 매우 힘들고 비실용적입니다.
최근 연구에서 칭화대학교와 중국과학원 연구진은 현미경 이미지의 해상도를 회절 한계보다 1.5배 즉각적으로 높일 수 있는 제로샷 디콘볼루션 네트워크(ZS-DeconvNet)를 개발했습니다. 일반적인 초해상도 이미징 조건보다 10배 낮으며, 지상 실험이나 추가 데이터 수집 없이 자율적으로 수행됩니다.
연구원들은 또한 내부 전반사 형광 현미경, 3D 광시야 현미경, 공초점 현미경, 2광자 현미경, 격자 광시트 현미경 및 다중 모달 구조 조명 현미경을 포함한 여러 이미징 양식에서 ZS-DeconvNet의 다용도 적용 가능성을 시연했습니다. 유사분열 단일 세포부터 마우스 및 예쁜꼬마선충까지 다세포 배아 유기체의 다색, 장기, 초고해상도 2D/3D 이미징을 가능하게 합니다.
연구 제목은 "Zero-shot learning은 광학 형광 현미경에서 즉각적인 노이즈 제거 및 초해상도를 가능하게 합니다"라는 제목으로 2024년 5월 16일 "Nature Communications"에 게재되었습니다.
광학 형광 현미경은 생물학적 연구에 매우 중요합니다. 초해상도 기술의 발전으로 이미징 세부 사항이 향상되었지만 공간 해상도가 향상되면서 다른 이미징 매개변수도 상충됩니다. 전산 초해상도 방법은 온라인에서 이미지 품질을 개선하고, 기존 장비의 기능을 향상시키며, 응용 범위를 확장할 수 있는 능력으로 인해 연구 핫스팟이 되었습니다.
이러한 방법은 분석 모델을 기반으로 한 디콘볼루션 기술과 딥 러닝을 기반으로 한 초해상도(SR) 네트워크라는 두 가지 범주로 나뉩니다. 전자는 매개변수 조정과 복잡한 이미징 환경에 대한 적응력 부족으로 인해 제한됩니다. 후자는 빅 데이터를 통해 복잡한 이미지 변환을 학습할 수 있지만 획득이 어렵고 훈련 데이터 품질에 대한 높은 의존도와 같은 문제에 직면합니다. 이는 일상적인 생물학 연구에서 딥러닝 초해상도 기술의 인기와 적용을 제한합니다.
여기서 Tsinghua University와 Chinese Academy of Sciences의 연구팀은 저해상도 및 낮은 신호만을 사용하여 DLSR 네트워크의 비지도 훈련이 가능한 제로샷 디콘볼루션 심층 신경망 프레임워크 ZS-DeconvNet을 제안했습니다. -평면 이미지 또는 체적 이미지 스택의 노이즈 비율을 통해 제로샷 구현이 가능합니다.
따라서 최첨단 DLSR 방법과 비교할 때 ZS-DeconvNet은 생물학적 프로세스가 너무 역동적이거나 빛에 너무 민감하여 실제 SR 이미지를 획득할 수 없는 다양한 생물학적 이미징 환경에 적응할 수 있습니다. 이미지 획득 프로세스는 알 수 없거나 비이상적인 요인의 영향을 받습니다.
연구원들은 단일 낮은 신호 대 잡음비 입력 이미지에 대해 교육을 받은 경우에도 ZS-DeconvNet은 특정 이미지 없이도 높은 충실도와 정량화를 통해 회절 한계를 넘어 1.5배 이상 해상도를 향상시킬 수 있다고 말합니다. 매개변수 조정.
ZS-DeconvNet은 주사 현미경부터 광시야 검출 현미경까지 다양한 이미징 방식에 적합하며 다양한 샘플 및 현미경 설정에서 그 기능을 입증했습니다.
그림: ZS-DeconvNet을 여러 이미징 양식으로 일반화합니다. (출처: 논문)
연구원들은 적절하게 훈련된 ZS-DeconvNet이 밀리초 단위의 고해상도 이미지를 추론할 수 있어 여러 소기관 상호 작용, 이동, 유사분열 및 소기관 역학은 물론 높은 처리량을 오랫동안 유지하는 동안 빛에 민감한 세포 골격을 활성화할 수 있음을 보여줍니다. C. elegans 및 마우스 배아 발달의 세포 내 구조 및 역학에 대한 용어 SR 2D/3D 이미징.
그림: 다중 모드 SIM 데이터의 제로 샘플 노이즈 제거 및 해상도 향상. (출처: 논문)
또한, ZS-DeconvNet을 생물학 연구계에서 널리 사용할 수 있도록 하기 위해, 팀에서는 쉽게 사용할 수 있는 피지 플러그인 툴박스와 ZS-DeconvNet 방법 튜토리얼 홈페이지를 구축했습니다. 딥러닝 지식이 없는 사용자.
광범위한 적용 가능성과 견고성에도 불구하고 ZS-DeconvNet 사용자는 저형광 신호의 오인, 다양한 이미징 모드의 이미지에 적용할 때의 성능 저하, 부적절한 PSF로 인한 문제 등 잠재적인 팬텀 생성과 그 한계를 인식하는 것이 좋습니다. 비지도 학습의 해상도 개선은 지도 학습의 경우만큼 명확하지 않습니다.
향후에는 더욱 진보된 네트워크 아키텍처를 결합하고, 다른 광학 초해상도 기술로 확장하고, 도메인 적응 또는 일반화 기술을 채택하고, 공간적으로 다양한 PSF를 처리함으로써 ZS-DeconvNet의 기능과 응용 범위가 더욱 확장될 것입니다.
논문 링크:https://www.nature.com/articles/s41467-024-48575-9
위 내용은 회절 한계를 1.5배 초과, 이미징 조건은 10배 더 낮음, 칭화대학교와 중국과학원은 AI 방법을 사용하여 현미경 해상도 향상의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
핫 AI 도구
Undresser.AI Undress
사실적인 누드 사진을 만들기 위한 AI 기반 앱
AI Clothes Remover
사진에서 옷을 제거하는 온라인 AI 도구입니다.
Undress AI Tool
무료로 이미지를 벗다
Clothoff.io
AI 옷 제거제
Video Face Swap
완전히 무료인 AI 얼굴 교환 도구를 사용하여 모든 비디오의 얼굴을 쉽게 바꾸세요!
인기 기사
뜨거운 도구
메모장++7.3.1
사용하기 쉬운 무료 코드 편집기
SublimeText3 중국어 버전
중국어 버전, 사용하기 매우 쉽습니다.
스튜디오 13.0.1 보내기
강력한 PHP 통합 개발 환경
드림위버 CS6
시각적 웹 개발 도구
SublimeText3 Mac 버전
신 수준의 코드 편집 소프트웨어(SublimeText3)
ORB-SLAM3를 넘어! SL-SLAM: 저조도, 심한 흔들림, 약한 텍스처 장면을 모두 처리합니다.
May 30, 2024 am 09:35 AM
이전에 작성했던 오늘은 딥 러닝 기술이 복잡한 환경에서 비전 기반 SLAM(동시 위치 파악 및 매핑)의 성능을 향상할 수 있는 방법에 대해 논의합니다. 심층 특징 추출과 깊이 일치 방법을 결합하여 저조도 조건, 동적 조명, 질감이 약한 영역 및 심한 지터와 같은 까다로운 시나리오에서 적응을 향상하도록 설계된 다목적 하이브리드 시각적 SLAM 시스템을 소개합니다. 우리 시스템은 확장 단안, 스테레오, 단안 관성 및 스테레오 관성 구성을 포함한 여러 모드를 지원합니다. 또한 시각적 SLAM을 딥러닝 방법과 결합하여 다른 연구에 영감을 주는 방법도 분석합니다. 공개 데이터 세트 및 자체 샘플링 데이터에 대한 광범위한 실험을 통해 위치 정확도 및 추적 견고성 측면에서 SL-SLAM의 우수성을 입증합니다.
'Defect Spectrum'은 기존 결함 감지의 경계를 뛰어넘어 초고정밀 및 풍부한 의미론적 산업 결함 감지를 최초로 달성합니다.
Jul 26, 2024 pm 05:38 PM
현대 제조업에서 정확한 결함 검출은 제품 품질을 보장하는 열쇠일 뿐만 아니라 생산 효율성을 향상시키는 핵심이기도 합니다. 그러나 기존 결함 감지 데이터세트는 실제 적용에 필요한 정확성과 의미론적 풍부함이 부족한 경우가 많아 모델이 특정 결함 카테고리나 위치를 식별할 수 없게 됩니다. 이 문제를 해결하기 위해 광저우 과학기술대학교와 Simou Technology로 구성된 최고 연구팀은 산업 결함에 대한 상세하고 의미론적으로 풍부한 대규모 주석을 제공하는 "DefectSpectrum" 데이터 세트를 혁신적으로 개발했습니다. 표 1에서 볼 수 있듯이, 다른 산업 데이터 세트와 비교하여 "DefectSpectrum" 데이터 세트는 가장 많은 결함 주석(5438개의 결함 샘플)과 가장 상세한 결함 분류(125개의 결함 카테고리)를 제공합니다.
수백만 개의 결정 데이터로 훈련하여 결정학적 위상 문제를 해결하는 딥러닝 방법인 PhAI가 Science에 게재되었습니다.
Aug 08, 2024 pm 09:22 PM
Editor |KX 오늘날까지 단순한 금속부터 큰 막 단백질에 이르기까지 결정학을 통해 결정되는 구조적 세부 사항과 정밀도는 다른 어떤 방법과도 비교할 수 없습니다. 그러나 가장 큰 과제인 소위 위상 문제는 실험적으로 결정된 진폭에서 위상 정보를 검색하는 것입니다. 덴마크 코펜하겐 대학의 연구원들은 결정 위상 문제를 해결하기 위해 PhAI라는 딥러닝 방법을 개발했습니다. 수백만 개의 인공 결정 구조와 그에 상응하는 합성 회절 데이터를 사용하여 훈련된 딥러닝 신경망은 정확한 전자 밀도 맵을 생성할 수 있습니다. 연구는 이 딥러닝 기반의 순순한 구조 솔루션 방법이 단 2옹스트롬의 해상도로 위상 문제를 해결할 수 있음을 보여줍니다. 이는 원자 해상도에서 사용할 수 있는 데이터의 10~20%에 해당하는 반면, 기존의 순순한 계산은
NVIDIA 대화 모델 ChatQA는 버전 2.0으로 발전했으며 컨텍스트 길이는 128K로 언급되었습니다.
Jul 26, 2024 am 08:40 AM
오픈 LLM 커뮤니티는 백개의 꽃이 피어 경쟁하는 시대입니다. Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 등을 보실 수 있습니다. 훌륭한 연기자. 그러나 GPT-4-Turbo로 대표되는 독점 대형 모델과 비교하면 개방형 모델은 여전히 많은 분야에서 상당한 격차를 보이고 있습니다. 일반 모델 외에도 프로그래밍 및 수학을 위한 DeepSeek-Coder-V2, 시각 언어 작업을 위한 InternVL과 같이 핵심 영역을 전문으로 하는 일부 개방형 모델이 개발되었습니다.
Google AI가 IMO 수학 올림피아드 은메달을 획득하고 수학적 추론 모델 AlphaProof가 출시되었으며 강화 학습이 다시 시작되었습니다.
Jul 26, 2024 pm 02:40 PM
AI의 경우 수학 올림피아드는 더 이상 문제가 되지 않습니다. 목요일에 Google DeepMind의 인공 지능은 AI를 사용하여 올해 국제 수학 올림피아드 IMO의 실제 문제를 해결하는 위업을 달성했으며 금메달 획득에 한 걸음 더 다가섰습니다. 지난 주 막 끝난 IMO 대회에는 대수학, 조합론, 기하학, 수론 등 6개 문제가 출제됐다. 구글이 제안한 하이브리드 AI 시스템은 4문제를 맞혀 28점을 얻어 은메달 수준에 이르렀다. 이달 초 UCLA 종신 교수인 테렌스 타오(Terence Tao)가 상금 100만 달러의 AI 수학 올림피아드(AIMO Progress Award)를 추진했는데, 예상외로 7월 이전에 AI 문제 해결 수준이 이 수준으로 향상됐다. IMO에서 동시에 질문을 해보세요. 가장 정확하게 하기 어려운 것이 IMO인데, 역사도 가장 길고, 규모도 가장 크며, 가장 부정적이기도 합니다.
PRO | MoE 기반의 대형 모델이 더 주목받는 이유는 무엇인가요?
Aug 07, 2024 pm 07:08 PM
2023년에는 AI의 거의 모든 분야가 전례 없는 속도로 진화하고 있다. 동시에 AI는 구체화된 지능, 자율주행 등 핵심 트랙의 기술적 한계를 지속적으로 확장하고 있다. 멀티모달 추세 하에서 AI 대형 모델의 주류 아키텍처인 Transformer의 상황이 흔들릴까요? MoE(Mixed of Experts) 아키텍처를 기반으로 한 대형 모델 탐색이 업계에서 새로운 트렌드가 된 이유는 무엇입니까? 대형 비전 모델(LVM)이 일반 비전 분야에서 새로운 돌파구가 될 수 있습니까? ...지난 6개월 동안 공개된 본 사이트의 2023 PRO 회원 뉴스레터에서 위 분야의 기술 동향과 산업 변화에 대한 심층 분석을 제공하여 새로운 환경에서 귀하의 목표 달성에 도움이 되는 10가지 특별 해석을 선택했습니다. 년. 준비하세요. 이 해석은 2023년 50주차에 나온 것입니다.
단백질과 모든 살아있는 분자의 상호 작용과 구조를 이전보다 훨씬 더 정확하게 예측하는 AlphaFold 3 출시
Jul 16, 2024 am 12:08 AM
Editor | Radish Skin 2021년 강력한 AlphaFold2가 출시된 이후 과학자들은 단백질 구조 예측 모델을 사용하여 세포 내 다양한 단백질 구조를 매핑하고 약물을 발견하며 알려진 모든 단백질 상호 작용에 대한 "우주 지도"를 그려 왔습니다. 방금 Google DeepMind는 단백질, 핵산, 소분자, 이온 및 변형된 잔기를 포함한 복합체에 대한 결합 구조 예측을 수행할 수 있는 AlphaFold3 모델을 출시했습니다. AlphaFold3의 정확도는 과거의 많은 전용 도구(단백질-리간드 상호작용, 단백질-핵산 상호작용, 항체-항원 예측)에 비해 크게 향상되었습니다. 이는 단일 통합 딥러닝 프레임워크 내에서 다음을 달성할 수 있음을 보여줍니다.
대형 모델에 대한 새로운 과학적이고 복잡한 질문 답변 벤치마크 및 평가 시스템을 제공하기 위해 UNSW, Argonne, University of Chicago 및 기타 기관이 공동으로 SciQAG 프레임워크를 출시했습니다.
Jul 25, 2024 am 06:42 AM
편집자 |ScienceAI 질문 응답(QA) 데이터 세트는 자연어 처리(NLP) 연구를 촉진하는 데 중요한 역할을 합니다. 고품질 QA 데이터 세트는 모델을 미세 조정하는 데 사용될 수 있을 뿐만 아니라 LLM(대형 언어 모델)의 기능, 특히 과학적 지식을 이해하고 추론하는 능력을 효과적으로 평가하는 데에도 사용할 수 있습니다. 현재 의학, 화학, 생물학 및 기타 분야를 포괄하는 과학적인 QA 데이터 세트가 많이 있지만 이러한 데이터 세트에는 여전히 몇 가지 단점이 있습니다. 첫째, 데이터 형식이 비교적 단순하고 대부분이 객관식 질문이므로 평가하기 쉽지만 모델의 답변 선택 범위가 제한되고 모델의 과학적 질문 답변 능력을 완전히 테스트할 수 없습니다. 이에 비해 개방형 Q&A는
