粒子追跡技術の分野で、新たな深層学習フレームワークが登場した。DefocusTrackerAIと名付けられたこのシステムは、光学顕微鏡観察における焦点外れ粒子画像の自動検出と位置推定を行うために開発された汎用フレームワークである。従来のDefocusTrackerプロジェクトを発展させた本フレームワークは、いかなる光学配置にも対応しながら、検出精度と確実性を維持することができるという特徴を持つ。 研究チームは、物体検出における代表的な2つのニューラルネットワークアーキテクチャ、Faster R-CNNとYOLOv9を比較検討した。評価対象となったのは、非点収差のある・ないそれぞれの焦点外れ粒子画像を含む多様で特徴豊かな合成画像データセットである。評価結果の分析により、YOLOv9がFaster R-CNNを上回る性能を発揮することが明らかになった。特に粒子画像密度が高い環境での再現率が高く、不確実性が低いという利点が確認された。さらにYOLOv9は空間解像度に優れており、粒子画像密度が0.5に達する条件下でも0.1～0.4ピクセル程度の不確実性を実現し、既存アルゴリズムを凌駕する性能を示した。 複数の光学セットアップと異なる照明条件での検証により、開発されたモデルは非点収差の有無を問わず焦点外れ粒子画像を検出できることが実証された。さらに蛍光顕微鏡とシャドウグラフの両方の実験データに対して適用したところ、従来の粒子追跡法の応用範囲を超えて、スプレーや液滴の追跡にまで活用できる可能性が示唆された。GitLab上で公開されているYOLOv9ベースの学習済みモデルは、即座に利用可能な状態であり、あらゆる種類の焦点外れ粒子画像を高精度で検出できる。適切なキャリブレーション手法と組み合わせることで、三次元欠焦粒子追跡の効果的な第一段階として機能するツールとなり得るものである。