1,5-mal jenseits der Beugungsgrenze sind die Abbildungsbedingungen zehnmal niedriger, die Tsinghua-Universität und die Chinesische Akademie der Wissenschaften nutzen KI-Methoden, um die Mikroskopauflösung zu verbessern

Abbildung: Langzeit-SR-Bildgebung schneller lichtempfindlicher biologischer Prozesse über ZS-DeconvNet. (Quelle: Paper)

Herausgeber |. Computergestützte Superauflösungsmethoden, einschließlich traditioneller Analysealgorithmen und Deep-Learning-Modelle, haben die optische Mikroskopie erheblich verbessert. Unter diesen haben überwachte tiefe neuronale Netze eine hervorragende Leistung gezeigt, aber aufgrund der hohen Dynamik lebender Zellen sind große Mengen hochwertiger Trainingsdaten erforderlich, und die Beschaffung dieser Daten ist sehr mühsam und unpraktisch.

In der neuesten Forschung haben Forscher der Tsinghua-Universität und der Chinesischen Akademie der Wissenschaften Zero-Shot-Dekonvolutionsnetzwerke (ZS-DeconvNet) entwickelt, die die Auflösung von Mikroskopbildern sofort um das 1,5-fache über die oben genannte Beugungsgrenze hinaus erhöhen können, während die Fluoreszenz ist zehnmal niedriger als bei herkömmlichen hochauflösenden Bildgebungsbedingungen und wird unbeaufsichtigt durchgeführt, ohne dass Bodenexperimente oder zusätzliche Datenerfassung erforderlich sind.

Die Forscher demonstrierten außerdem die vielseitige Anwendbarkeit von ZS-DeconvNet auf mehrere Bildgebungsmodalitäten, darunter Totalreflexions-Fluoreszenzmikroskopie, 3D-Weitfeldmikroskopie, konfokale Mikroskopie, Zwei-Photonen-Mikroskopie, Gitterlichtblattmikroskopie und multiple modale strukturierte Beleuchtungsmikroskopie ; die eine mehrfarbige, hochauflösende 2D/3D-Bildgebung mehrzelliger embryonaler Organismen von mitotischen Einzelzellen bis hin zu Mäusen und Caenorhabditis elegans ermöglicht.

Die Forschung trug den Titel „

Zero-Shot-Lernen ermöglicht sofortige Rauschunterdrückung und Superauflösung in der optischen Fluoreszenzmikroskopie

“ und wurde am 16. Mai 2024 in „Nature Communications“ veröffentlicht.

Die optische Fluoreszenzmikroskopie ist für die biologische Forschung von entscheidender Bedeutung. Die Weiterentwicklung der Superauflösungstechnologie hat zu verbesserten Bilddetails geführt, aber mit der Verbesserung der räumlichen Auflösung gehen auch Kompromisse bei anderen Bildgebungsparametern einher. Computergestützte Superauflösungsmethoden sind zu einem Forschungsschwerpunkt geworden, da sie die Bildqualität online verbessern, die Fähigkeiten vorhandener Geräte erweitern und den Anwendungsbereich erweitern können.

Diese Methoden sind in zwei Kategorien unterteilt: Techniken wie Dekonvolution basierend auf analytischen Modellen und Super-Resolution (SR)-Netzwerke basierend auf Deep Learning. Ersteres ist durch Parameterabstimmung und schlechte Anpassungsfähigkeit an komplexe Bildumgebungen eingeschränkt. Letzteres kann komplexe Bildtransformationen durch Big Data erlernen, steht jedoch vor Herausforderungen wie Schwierigkeiten bei der Erfassung und hoher Abhängigkeit von der Qualität der Trainingsdaten. Dies schränkt die Popularität der Deep-Learning-Superauflösungstechnologie in täglichen Anwendungen in der biologischen Forschung ein.

Hier schlug ein Forschungsteam der Tsinghua-Universität und der Chinesischen Akademie der Wissenschaften ein Zero-Shot-Dekonvolution-Framework für tiefe neuronale Netzwerke ZS-DeconvNet vor, das in der Lage ist, DLSR-Netzwerke unüberwacht zu trainieren und dabei nur eine niedrige Auflösung und einen geringen Signalempfang zu verwenden -Rauschverhältnis Ein Stapel planarer Bilder oder volumetrischer Bilder, der eine Zero-Shot-Implementierung ermöglicht.

Abbildung: Zero-Shot-Dekonvolutionsnetzwerk. (Quelle: Papier)

Daher kann sich ZS-DeconvNet im Vergleich zu modernsten DLSR-Methoden an verschiedene biologische Bildgebungsumgebungen anpassen, in denen biologische Prozesse zu dynamisch oder zu lichtempfindlich sind, um echte SR-Bilder zu erfassen, oder Bildaufnahmeprozesse werden durch unbekannte und nicht ideale Faktoren beeinflusst.

Die Forscher sagen, dass ZS-DeconvNet selbst beim Training an einem einzelnen Eingabebild mit niedrigem Signal-Rausch-Verhältnis die Auflösung um mehr als das 1,5-fache über die Beugungsgrenze hinaus verbessern kann, mit hoher Wiedergabetreue und Quantifizierung, und ohne dass ein spezifisches Bild erforderlich ist Parameteranpassung.

ZS-DeconvNet eignet sich für eine Vielzahl von Bildgebungsmodalitäten, von der Rastermikroskopie bis zur Weitfeld-Detektionsmikroskopie, und hat seine Fähigkeiten in einer Vielzahl von Proben und Mikroskopaufbauten unter Beweis gestellt.

Abbildung: Verallgemeinerung von ZS-DeconvNet auf mehrere Bildgebungsmodalitäten. (Quelle: Papier)

Forscher zeigen, dass richtig trainiertes ZS-DeconvNet hochauflösende Bilder im Millisekundenbereich ableiten kann und so ein lichtempfindliches Zytoskelett während der Interaktion mehrerer Organellen, der Migration sowie der Mitose und Organellendynamik sowie einen langen Hochdurchsatz ermöglicht -Term SR 2D/3D-Bildgebung subzellulärer Strukturen und Dynamik bei der Entwicklung von C. elegans und Mäuseembryonen.

Abbildung: Zero-Sample-Rauschunterdrückung und Auflösungsverbesserung in multimodalen SIM-Daten. (Quelle: Papier)

Darüber hinaus hat das Team eine Fidschi-Plug-in-Toolbox und eine Tutorial-Homepage der ZS-DeconvNet-Methode erstellt, die einfach verwendet werden kann, um ZS-DeconvNet in der biologischen Forschungsgemeinschaft weit verbreitet zu machen von Benutzern ohne tiefe Lernkenntnisse.

Trotz seiner breiten Anwendbarkeit und Robustheit wird ZS-DeconvNet-Benutzern empfohlen, sich der potenziellen Phantomgenerierung und ihrer Einschränkungen bewusst zu sein, wie z. B. der falschen Identifizierung von Signalen mit geringer Fluoreszenz, Leistungseinbußen bei der Anwendung auf Bilder verschiedener Bildgebungsmodi und Problemen durch falsches PSF Matching und Die Auflösungsverbesserung beim unbeaufsichtigten Lernen ist nicht so offensichtlich wie beim überwachten Lernen.

In Zukunft werden die Funktionen und der Anwendungsbereich von ZS-DeconvNet durch die Kombination fortschrittlicherer Netzwerkarchitekturen, die Erweiterung auf andere optische Superauflösungstechnologien, die Einführung von Domänenanpassungs- oder Generalisierungstechnologien und die Verarbeitung räumlich variierender PSFs weiter erweitert.

Link zum Papier: https://www.nature.com/articles/s41467-024-48575-9

Das obige ist der detaillierte Inhalt von1,5-mal jenseits der Beugungsgrenze sind die Abbildungsbedingungen zehnmal niedriger, die Tsinghua-Universität und die Chinesische Akademie der Wissenschaften nutzen KI-Methoden, um die Mikroskopauflösung zu verbessern. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!