重磅！！人工智能提高显微镜图像优化--Nature Methods （突破显微镜图像分割瓶颈：μSAM 的创新应用）

文章预览

欢迎关注类器官前言（沿）进展，第一时间了解类器官领域（生物学、癌症生物学、人工智能、材料学、仿生学）的新进展；同时跟进国际国内相关行业的发展信息 显微镜图像分割是生物研究中的关键任务，但由于光学显微镜 (LM) 和电子显微镜 (EM) 等成像模式的复杂性和多样性，仍然是一个瓶颈。尽管已有基于深度学习的分割工具，但它们的泛化能力有限，需要针对不同数据集进行广泛的重新训练。最近由 Meta AI 开发的  Segment Anything Model (SAM)  提供了一个适用于各种领域的基础分割模型，但其在显微镜领域的应用尚未得到充分探索。 哥廷根大学计算机科学研究所的科研人员新进开发了  μSAM (Segment Anything for Microscopy) ，该模型是 SAM 的扩展，专门针对显微镜图像优化，提供针对 LM 和 EM 进行微调的模型、交互式分割工具以及自动标注系统。该论文20 ………………………………