EVE is an open modular data analysis software for event-based localization microscopy
Notice bibliographique
Résumé
Abstract Event-based sensors (EBS), or neuromorphic vision sensors, offer a novel approach to imaging by recording light intensity changes asynchronously, unlike conventional cameras that capture light over fixed exposure times. This capability results in high temporal resolution, reduced data redundancy, and a wide dynamic range. This makes EBS ideal for Single-Molecule Localization Microscopy (SMLM) as SMLM relies on the sequential imaging of sparse, blinking fluorescent emitters to achieve super-resolution. Recent studies have shown that EBS can effectively capture these emitters, achieving spatial resolution comparable to traditional cameras. However, existing analyses of event-based SMLM (eveSMLM) data have relied on converting event lists into image frames for conventional analysis, limiting the full potential of the technology. To overcome this limitation, we developed EVE, a specialized software for analyzing eveSMLM data. EVE offers an integrated platform for detection, localization, and post-processing, with various algorithmic options tailored for the unique structure of eveSMLM data. EVE is user-friendly and features an open, modular infrastructure that supports ongoing development and optimization. EVE is the first dedicated tool for event-based SMLM, transforming the analysis process to fully utilize the spatiotemporal data generated by EBS. This allows researchers to explore the full potential of eveSMLM and encourages the development of new analytical methods and experimental improvements.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».