显微镜知识库

徕卡显微系统的知识库提供有关显微镜学科的科学研究和教学材料。内容旨在对显微镜初学者、有经验的显微镜操作实践者和使用显微镜的科学家在他们的日常工作和实验有所帮助。这里有探索交互式教程和应用笔记，你可以找到你需要的显微镜的基础知识以及前沿技术——快来加入徕卡显微知识社区，分享您的专业知识！

Left-hand image: The distribution of immune cells (white) and blood vessels (pink) in white adipose tissue (image captured using the THUNDER Imager 3D Cell Culture). Right-hand image: The same image after automated analysis using Aivia, with each immune cell color-coded based on its distance to the nearest blood vessel. Image courtesy of Dr. Selina Keppler, Munich, Germany.

精确分析宽视野荧光图像

利用荧光显微镜的特异性，即便是使用厚样品和大尺寸样品，研究人员也能够快速轻松地准确观察和分析生物学过程和结构。然而，离焦荧光会提高背景荧光，降低对比度，影响图像的精确分割。THUNDER 与Aivia 的组合可以有效解决这一问题。前者可以消除图像模糊，后者会使用人工智能技术自动分析宽视野图像，提高操作速度和精确性。下面，我们来详细了解下这一协作方法。

人工智能驱动的像素分类器

通过人工操作获得可重复的结果需要具备专业知识，而且工作冗长乏味。但是，现在有一种方法可以克服这些挑战，通过加快这种分析来提取图像的真正价值并获得深入的认识。人工智能驱动的像素分类器可快速提供可重复的分割结果，克服了人工操作问题。与基于功能的传统自动化相比，它可以提供更可靠的结果。

在显微成像和图像分析中运用人工智能和机器学习技术

Emma Lundberg 教授是瑞典 KTH 皇家理工学院细胞生物学蛋白质组学教授。她还是细胞图谱项目的总监，该项目是瑞典人类蛋白质图谱(HPA)项目不可或缺的组成部分，后者是用于研究人类蛋白质组的开源资源。细胞图谱项目是 HPA 的一部分，提供人类细胞系中 RNA 和蛋白质的表达及时空分布的高分辨率图像。Lundberg…

在显微图像分析中运用机器学习技术

显微成像技术最近取得了令人振奋的进展，因此，在生物医学研究中采集的图像数据无论质量还是数量都呈指数级增长。但是，分析日益复杂的大型图像数据集以提取有意义的信息可能是一个既枯燥又耗时的过程，而且容易出现人为误差和偏差，这经常给许多研究人员造成生产效率瓶颈。

AiviaMotion: Truly simultaneous multicolor imaging of live cells (U2OS) in 3D

人工智能和共焦显微镜 - 需知信息

本常见问题清单是对AiviaMotion介绍文章“人工智能如何增强共焦成像”的补充，并为相关问题提供了实用的解答。

Dynamic Signal Enhancement powered by Aivia: Truly simultaneous multicolor imaging of live cells (U2OS) in 3D

人工智能如何增强共聚焦成像

在本文中，我们将展示人工智能（AI）如何增强您的成像实验。即，由 Aivia 提供支持的动态信号增强如何在捕捉活细胞样本的时间动态的同时提高图像质量。

基于荧光寿命的成像图库

共聚焦显微镜技术依赖于荧光探针的有效激发以及由荧光过程所发射的光子的高效收集。荧光特性之一是其发射波长（即荧光团的光谱特征）。另一个更为强大但尚未充分探索的特性是荧光寿命（荧光团在激发态的持续时间）。基于荧光寿命的信息增加了共聚焦实验的一个额外维度，能够揭示荧光团微环境的信息，并允许对光谱特性相重叠的物种进行多重分析。

多彩图库

荧光多色显微技术是多重成像技术的一个方面，可在同一实验中观察和分析同一样本中的多种元素--每种元素都标记有不同的荧光染料。这不仅能提高实验效率，还能获得更可靠、更有意义的结果，从而了解细胞和组织内的复杂过程。本图集展示了使用THUNDER和STELLARIS平台获得的标有多种荧光探针的样本图像。

应用于显微术中的人工智能技术网络研讨会

我们展示了使用残差通道注意力网络（RCAN）还原和增强三维延时(4D)荧光显微数据。