可以使用深度学习算法进行定量强度测量吗？

深度学习算法可以预测荧光信号的定位，但无法预测强度。但是，您可以利用深度学习进行目标分割，然后对其它通道如荧光通道进行定量强度分析。

比如无标记方式分析蛋白表达量，需要以极低功率光照射标本，那么可以在明场图像中进行目标分割，然后测量荧光通道信号。只要背景恒定，即便信号强度低，哪怕仅比相机噪声高一点点，也可以执行定量分析。

可以将深度学习软件用于组织染色切片（如HE染色）吗？

可以，cellSens™软件具备可用于RGB图像分析的特殊深度学习神经网络。RGB神经网络可以精细修改不同颜色的增强值，从而确保深度学习神经网络对于RGB图像的微小变化和颜色平衡具有鲁棒性。

深度学习软件需要训练多少幅图像？

关键参数是带有注释的对象数，而非图像数。有时候20到30个对象即可，但在这种情况下您只能使用该神经网络分析具有相似对比度的图像。如果想要对不同类型的图像进行无标记分析，那么通常需要成千上万的注释。比如，可以应用荧光的自动化ground truth满足这种较高水平的注释要求。

奥林巴斯深度学习算法是否基于U-Net？

是的，这一算法受U-Net启发而开发。其并非完全相同，但总体结构基于U-Net。

深度神经网络和卷积神经网络有何区别？

神经网络具有输入层和输出层。一个深度神经网络在输入层和输出层之间至少要有一个中间层（通常有多个中间层）。卷积神经网络是中间层相互卷积的一种深层神经网络类型。卷积是一种非常适合成像分析的数学运算，因而广泛用于显微镜图像分析。深度学习还应用于图像分析之外的其他领域。这类应用不需要卷积网络，而是使用其他类型的网络。