回折限界を 1.5 倍超え、イメージング条件は 10 分の 1 に低くなります。清華大学と中国科学院は AI 手法を使用して顕微鏡の解像度を向上させています

図: ZS-DeconvNet を介した高速光感受性生物学的プロセスの長期 SR イメージング。 (出典: 論文)

Editor | Radish Skin

従来の分析アルゴリズムや深層学習モデルを含む計算による超解像手法により、光学顕微鏡法が大幅に改善されました。中でも教師ありディープニューラルネットワークは優れた性能を示していますが、生細胞の高度なダイナミクスのため、大量の高品質な学習データが必要であり、そのデータを取得するのは非常に手間がかかり現実的ではありません。最新の研究では、清華大学と中国科学院の研究者が、顕微鏡画像の解像度を回折限界を超えて瞬時に 1.5 倍高めることができるゼロショット デコンボリューション ネットワーク (ZS-DeconvNet) を開発しました。通常の超解像イメージング条件よりも 10 倍低く、地上実験や追加のデータ収集を必要とせず、教師なしの方法で実行されます。

研究者らはまた、全反射蛍光顕微鏡、3D広視野顕微鏡、共焦点顕微鏡、二光子顕微鏡、格子ライトシート顕微鏡、複数のモード構造照明顕微鏡を含む複数のイメージングモダリティにおけるZS-DeconvNetの多用途の適用性を実証しました。 ; 有糸分裂単細胞からマウスや線虫に至る多細胞胚生物の多色、長期、超解像度 2D/3D イメージングが可能になります。

この研究は「

ゼロショット学習により、光学蛍光顕微鏡におけるインスタントノイズ除去と超解像が可能になります

」と題され、2024年5月16日に「Nature Communications」に掲載されました。

超解像技術の進歩により、光学蛍光顕微鏡は、画像の詳細を改善しましたが、空間解像度の向上とともに、他の画像パラメータも犠牲になります。計算による超解像手法は、オンラインでの画質の向上、既存の機器の機能の強化、アプリケーションの範囲の拡大が可能であるため、研究のホットスポットとなっています。

これらの手法は、分析モデルに基づくデコンボリューションなどの手法と、深層学習に基づく超解像 (SR) ネットワークの 2 つのカテゴリに分類されます。前者はパラメータ調整と複雑なイメージング環境への適応性の低さによって制限されます。後者はビッグデータを通じて複雑な画像変換を学習できますが、取得の難しさやトレーニングデータの品質への高い依存性などの課題に直面しています。これにより、日常の生物学研究におけるディープラーニング超解像技術の普及と応用が制限されます。

ここで、清華大学と中国科学院の研究チームは、ゼロショット デコンボリューション ディープ ニューラル ネットワーク フレームワーク ZS-DeconvNet を提案しました。これは、低解像度および低信号出力のみを使用して DLSR ネットワークの教師なしトレーニングが可能です。 - 平面画像または立体画像のスタックのノイズ比により、ゼロショットの実装が可能になります。

イラスト: ゼロショットデコンボリューションネットワーク。 (出典: 論文)

したがって、最先端の DLSR 手法と比較して、ZS-DeconvNet は、生物学的プロセスが動的すぎる、光に敏感すぎて実際の SR 画像を取得できない、またはさまざまな生物学的イメージング環境に適応できます。画像取得プロセスは、未知の非理想的な要因の影響を受けます。

研究者らは、単一の信号対雑音比の低い入力画像でトレーニングした場合でも、ZS-DeconvNet は高い忠実度と定量化により、特定の画像を必要とせずに、回折限界を超えて解像度を 1.5 倍以上向上させることができると述べています。パラメータ調整。

ZS-DeconvNet は、走査型顕微鏡から広視野検出顕微鏡まで、さまざまなイメージングモダリティに適しており、さまざまなサンプルや顕微鏡セットアップでその機能を実証しています。

図: ZS-DeconvNet を複数の画像モダリティに一般化します。 (出典: 論文)

研究者らは、適切にトレーニングされた ZS-DeconvNet がミリ秒のタイムスケールで高解像度画像を推論できることを実証し、複数の細胞小器官の相互作用、遊走、有糸分裂と細胞小器官の動態中の光感受性の細胞骨格を可能にし、長時間にわたる高スループットを実現します。 -用語 SR 線虫およびマウス胚の発生における細胞内構造および動態の 2D/3D イメージング。

図: マルチモーダル SIM データにおけるゼロサンプルのノイズ除去と解像度の向上。 (出典: 論文)

さらに、ZS-DeconvNet を生物学研究コミュニティで広く使用できるようにするために、チームは Fiji プラグイン ツールボックスと、簡単に使用できる ZS-DeconvNet メソッドのチュートリアル ホームページを設立しました。ディープラーニングの知識のないユーザーによる。

ZS-DeconvNet の幅広い適用性と堅牢性にもかかわらず、ZS-DeconvNet ユーザーは、低蛍光シグナルの誤認、異なるイメージング モードの画像に適用された場合のパフォーマンスの低下、不適切な PSF によって引き起こされる問題など、潜在的なファントム生成とその制限に注意することをお勧めします。教師なし学習における解像度の向上は、教師あり学習ほど明らかではありません。

将来的には、より高度なネットワークアーキテクチャを組み合わせたり、他の光学超解像技術に拡張したり、ドメイン適応または汎化技術を採用したり、空間的に変化するPSFを処理したりすることにより、ZS-DeconvNetの機能と適用範囲はさらに拡大されるでしょう。

論文リンク:https://www.nature.com/articles/s41467-024-48575-9

以上が回折限界を 1.5 倍超え、イメージング条件は 10 分の 1 に低くなります。清華大学と中国科学院は AI 手法を使用して顕微鏡の解像度を向上させていますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。