Scientific Reports· 2026Q1
Tek molekül lokalizasyon mikroskobisinde saçılma ağları ve SVD kullanarak gelişmiş arka plan giderme yöntemleri
Advanced background removal methods in single molecule localization microscopy using scattering networks and SVD
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Tek molekül lokalizasyon mikroskobisinde (SMLM) yenilikçi bir sinir ağı yaklaşımı ve Tekil Değer Ayrışımı (SVD) birleşimi, yanlış pozitifler ve birleşmiş PSF'ler gibi artefaktları azaltarak arka plan gidermeyi önemli ölçüde iyileştirir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- SMLM arka plan giderme için iki iyileştirilmiş yöntem (SVD filtreleri ve frekans tabanlı filtreler) önerilmiştir.
- Arka plan giderme yeteneklerini geliştirmek için yenilikçi bir sinir ağı yaklaşımı sunulmuştur.
- Yöntemler, yanlış pozitifler, yanlış negatifler, birleşmiş PSF'ler ve yapay lokalizasyonlar dahil olmak üzere artefaktları etkili bir şekilde azaltır.
- Jaccard indeksi (JI) kullanılarak yapılan değerlendirmeler, lokalizasyon performansında iyileşmeler göstermiştir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Accurate background estimation is a key challenge in single-molecule localization microscopy (SMLM), as it directly affects the quality of molecular localization and sample reconstruction. A coarse separation between background and relevant signal can often be obtained by contrasting spatial or temporal characteristics of the raw input. In this paper, we propose and compare two refined methods aimed at separating two types of background: (1) those where the variation over time occurs at a slower rate than the signal, and (2) backgrounds with distinctive spatial features. Filters that take advantage of Singular Value Decomposition (SVD) effectively address the first type of background, while the second can be managed using frequency-based filters. We introduce a novel approach based on neural networks to enhance background removal. Comparative evaluations using the Jaccard index (JI) demonstrate that the two methods improve localization performance, showing effective mitigation of background artifacts such as false positives or negatives, merged PSFs, and spurious localizations in SMLM data.
Yazarların özeti; kaynağından alınmıştır. Scientific Reports, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
BiophysicsBiochemistry, Genetics and Molecular Biology