http://www.cslt.org/mediawiki/index.php?action=history&feed=atom&title=%E6%95%99%E5%AD%A6%E5%8F%82%E8%80%83-49 2026-04-04T11:42:43Z 本wiki的该页面的版本历史 MediaWiki 1.23.3 http://www.cslt.org/mediawiki/index.php?title=%E6%95%99%E5%AD%A6%E5%8F%82%E8%80%83-49&diff=39243&oldid=prev 2022-08-25T14:29:24Z

<p>以“==教学目标== * 了解生物学研究对显微镜的需求，了解透射光显微镜和荧光显微镜的区别和各自用途 * 了解神经网络增强图像...”为内容创建页面</p> <p><b>新页面</b></p><div>==教学目标==<br /> <br /> * 了解生物学研究对显微镜的需求，了解透射光显微镜和荧光显微镜的区别和各自用途<br /> * 了解神经网络增强图像质量的基本原理<br /> * 了解神经网络生成荧光显微图像的基本原理<br /> * 引导学生讨论AI增强显微镜的更多用途<br /> <br /> ==教学内容==<br /> <br /> ===AI显微镜===<br /> <br /> * 显微镜是生物学家的必备工具，然而要得到高精度的显微图像并不容易。这是因为高精度成像需要昂贵的硬件且受实验条件限制，特别是对活体细胞、组织进行成像时，往往要求成像过程不能对原有的生物学特性产生影响，并且不能影响样本的健康状态。例如，生物学家通常需利用荧光显微镜（右图）来获取活体样本的生物信息，这时就必须考虑光毒性对样本的影响。<br /> * 人工智能技术给生物学家带来了惊喜。通过深度学习模型，可以从分辨率较低、噪声较高的显微图片生成高清显微图片，也可以从透射光显微图片生成荧光显微图片[2]。科学家用这个AI显微镜，就可以快速、廉价地进行生物学研究了。<br /> <br /> ===显微图片增强===<br /> <br /> * 2021年2月，《自然-机器智能》杂志发表了一篇来自美国德州农工大学的论文，报告了他们利用机器学习方法构造高清晰显微图像的成果[1]。在文章中，他们设计了一个称为GVTNet的神经网络模型，将质量较低的显微图像输入该模型，即可在输出端得到高清晰度的显微图像。<br /> * 输入一个带噪声的低质量3D显微图片，经过一个GVTNet后，即可将噪音去除，生成高质量的显微图片。<br /> * 可以看到，GVTNet确实学出了高质量显微图片的样子，甚至在细微处也非常相似。同时，也需要注意，AI所生成的图片和真实图片还是有一定差异的，这些差异是因为输入图片在该处的细节缺失，AI不得不靠想象来填充这些细节，因此有可能出现差错。<br /> <br /> ===荧光显微图片生成===<br /> <br /> * 研究者还发现，GVTNet不仅可以改善图片的质量，还可以从一种显微图片生成另一种类型的显微图片。如右图一所示，输入一个透射光图片，经过GVTNet之后，即可输出相应的荧光显微图片。<br /> * 有了GVTNet，生物学家就算没有荧光显微镜，也可以得到逼真的荧光显微图片了，极大降低了经济成本和时间成本，加快了研究步伐。同时，在那些不适合荧光染色的场合，利用这一技术依然可以得到近似的荧光显微图片。<br /> <br /> ===更多增强功能===<br /> <br /> * 除了提高图像质量和进行图像转换，AI显微镜还有很多其它”增强“功能，如图像合成、细胞分割、细胞状态检测、细胞分裂追踪等。</div>

Cslt