返回
Contextual High-Throughput 3D Volume Electron Microscopy Data Acquisition Using Artificial Intelligence
DOI:10.1093/mam/ozag014.png)
摘要
En 中文
生成大型和高分辨率的体电子显微镜(vEM)三维(3D)数据集面临的最大挑战之一是采集时间过长。我们开发了一种利用人工智能算法的方法,通过为感兴趣的目标区域创建AI衍生的掩模来提高3D数据集的采集吞吐量,该方法被称为自适应扫描。这使得特定结构能够以高分辨率成像,而周围区域以较低分辨率捕获,无需人为生成或增强任何原始数据。我们证明,这种动态分辨率扫描方法显著缩短了采集时间,具体取决于感兴趣像素的数量,并且与样品无关,能够兼容包括大脑、寄生虫、培养细胞和植物在内的多种生物体和组织。这种多分辨率策略有望通过将时间节省提高至两倍或更多,来增强聚焦离子束扫描电子显微镜和其他形式的vEM,从而更高效、更经济地实现多个和/或更大vEM数据集的常规生成,并允许收集更多数据以增加比较研究的统计功效。
Keyword:
Artificial intelligence
3D volume electron microscopy
Adaptive Scanning
multiresolution imaging
acquisition throughput
期刊
IF:
3
论文数:
2.5K
被引数:
6.2K
机构
引用论文
REMBI: Recommended Metadata for Biological Images-enabling reuse of microscopy data in biology
NATURE METHODS
IF32.1
Instance segmentation of mitochondria in electron microscopy images with a generalist deep learning model trained on a diverse dataset
CELL SYSTEMS
IF7.7


