5 Open-Source-Tools für die Mikroskopie, eine produktive Sportplattform und ein Transformer, der 50 Frames auf einmal liest. Code und trainierte Modelle für alle.
Neuronale Netze mit temporalem Kontext für die Mikroskopie
Ein U-Net mit Multi-Head-Attention, das Emitter aus 50 Frames Kontext lokalisiert statt aus einem. Validiert auf dem SMLM-Fight-Club-Datensatz.
Nach meinem Kenntnisstand die erste Anwendung von Transformer-Attention auf SMLM-Daten. Das Netz verknüpft Emitterpositionen über 50 Frames hinweg, und 76,6 % seiner Fits liegen damit unterhalb der CRLB.
Effizienzwerte auf dem CRLB-Datensatz
Drei Mikroskopie-Tools und eine Sportplattform.
Compressed Sensing + Deep Learning
Verbindet Compressed Sensing mit Convolutional Neural Networks für konfokales dSTORM. Lokalisiert Emitter dort, wo die PSF unregelmäßig ist und ein Gauß-Modell nicht passt. Veröffentlicht in BMC Bioinformatics.
Sport-Analytics-Plattform
Webplattform für Ausdauersportler. Importiert Trainingsdaten von Strava und Garmin, berechnet die Trainingsbelastung und sagt die Leistung für Triathlon und Radsport voraus. Live auf endurexai.de.
Analyse biologischer Strukturen
Erkennt linienförmige Strukturen wie Filamente in Mikroskopiedaten und berechnet Position, Orientierung und Morphologie mit Subpixel-Genauigkeit. Dokumentiert auf ReadTheDocs.
3D-Punktwolken-Renderer
OpenGL-Punktwolken-Renderer mit Python-Schnittstelle. Rendert und filtert 3D-SMLM-Datensätze mit Millionen von Punkten in Echtzeit.
Wie AttentionAI 50 Frames Kontext nutzt
Convolutional Layers extrahieren räumliche Merkmale einzelner Frames vor der temporalen Verarbeitung
Transformer-Attention lernt temporale Korrelationen über Sequenzen von 50 Frames
Probabilistische Lokalisation mit Unsicherheitsquantifizierung für jeden Emitter
| Methode | Effizienzwert | % Below CRLB | Kontext-Frames |
|---|---|---|---|
| AttentionUNet | 94 | 76.6% | 50 |
| DECODE | 91 | 39.9% | 3 |
| ThunderSTORM | 23 | 17.5% | 1 |
* CRLB = Cramér-Rao-Schranke (theoretische Mindestunsicherheit). Höhere Prozentwerte unter CRLB bedeuten bessere Präzision.
Was ich tatsächlich benutze.
Python
PyTorch
TensorFlow
CUDA
OpenCV
OpenGL
Django
PostgreSQL
Docker
FastAPI
Git
GitHub
Code, Modelle und Simulatoren zu jedem Paper.
Alle Forschungsprojekte umfassen vollständige Implementierungen, trainierte Modelle und Simulations-Engines. So können andere Forschende die Arbeit reproduzieren, erweitern und darauf aufbauen.
Wenn eines dieser Tools zu Ihrem Problem passt, oder fast passt, schreiben Sie mir.