회절 한계를 1.5배 초과, 이미징 조건은 10배 더 낮음, 칭화대학교와 중국과학원은 AI 방법을 사용하여 현미경 해상도 향상

그림: ZS-DeconvNet을 통한 빠른 감광성 생물학적 과정의 장기 SR 이미징. (출처: Paper)

Editor | Radish Skin

전통적인 분석 알고리즘과 딥러닝 모델을 포함한 전산 초해상도 방법으로 광학현미경이 크게 향상되었습니다. 그 중 지도심층신경망은 뛰어난 성능을 보여주었지만, 살아있는 세포의 높은 역동성으로 인해 대량의 고품질 훈련 데이터가 필요하며 이러한 데이터를 얻는 것은 매우 힘들고 비실용적입니다.

최근 연구에서 칭화대학교와 중국과학원 연구진은 현미경 이미지의 해상도를 회절 한계보다 1.5배 즉각적으로 높일 수 있는 제로샷 디콘볼루션 네트워크(ZS-DeconvNet)를 개발했습니다. 일반적인 초해상도 이미징 조건보다 10배 낮으며, 지상 실험이나 추가 데이터 수집 없이 자율적으로 수행됩니다.

연구원들은 또한 내부 전반사 형광 현미경, 3D 광시야 현미경, 공초점 현미경, 2광자 현미경, 격자 광시트 현미경 및 다중 모달 구조 조명 현미경을 포함한 여러 이미징 양식에서 ZS-DeconvNet의 다용도 적용 가능성을 시연했습니다. 유사분열 단일 세포부터 마우스 및 예쁜꼬마선충까지 다세포 배아 유기체의 다색, 장기, 초고해상도 2D/3D 이미징을 가능하게 합니다.

연구 제목은 "Zero-shot learning은 광학 형광 현미경에서 즉각적인 노이즈 제거 및 초해상도를 가능하게 합니다"라는 제목으로 2024년 5월 16일 "Nature Communications"에 게재되었습니다.

광학 형광 현미경은 생물학적 연구에 매우 중요합니다. 초해상도 기술의 발전으로 이미징 세부 사항이 향상되었지만 공간 해상도가 향상되면서 다른 이미징 매개변수도 상충됩니다. 전산 초해상도 방법은 온라인에서 이미지 품질을 개선하고, 기존 장비의 기능을 향상시키며, 응용 범위를 확장할 수 있는 능력으로 인해 연구 핫스팟이 되었습니다.

이러한 방법은 분석 모델을 기반으로 한 디콘볼루션 기술과 딥 러닝을 기반으로 한 초해상도(SR) 네트워크라는 두 가지 범주로 나뉩니다. 전자는 매개변수 조정과 복잡한 이미징 환경에 대한 적응력 부족으로 인해 제한됩니다. 후자는 빅 데이터를 통해 복잡한 이미지 변환을 학습할 수 있지만 획득이 어렵고 훈련 데이터 품질에 대한 높은 의존도와 같은 문제에 직면합니다. 이는 일상적인 생물학 연구에서 딥러닝 초해상도 기술의 인기와 적용을 제한합니다.

여기서 Tsinghua University와 Chinese Academy of Sciences의 연구팀은 저해상도 및 낮은 신호만을 사용하여 DLSR 네트워크의 비지도 훈련이 가능한 제로샷 디콘볼루션 심층 신경망 프레임워크 ZS-DeconvNet을 제안했습니다. -평면 이미지 또는 체적 이미지 스택의 노이즈 비율을 통해 제로샷 구현이 가능합니다.

그림: 제로샷 디콘볼루션 네트워크. (출처: 논문)

따라서 최첨단 DLSR 방법과 비교할 때 ZS-DeconvNet은 생물학적 프로세스가 너무 역동적이거나 빛에 너무 민감하여 실제 SR 이미지를 획득할 수 없는 다양한 생물학적 이미징 환경에 적응할 수 있습니다. 이미지 획득 프로세스는 알 수 없거나 비이상적인 요인의 영향을 받습니다.

연구원들은 단일 낮은 신호 대 잡음비 입력 이미지에 대해 교육을 받은 경우에도 ZS-DeconvNet은 특정 이미지 없이도 높은 충실도와 정량화를 통해 회절 한계를 넘어 1.5배 이상 해상도를 향상시킬 수 있다고 말합니다. 매개변수 조정.

ZS-DeconvNet은 주사 현미경부터 광시야 검출 현미경까지 다양한 이미징 방식에 적합하며 다양한 샘플 및 현미경 설정에서 그 기능을 입증했습니다.

그림: ZS-DeconvNet을 여러 이미징 양식으로 일반화합니다. (출처: 논문)

연구원들은 적절하게 훈련된 ZS-DeconvNet이 밀리초 단위의 고해상도 이미지를 추론할 수 있어 여러 소기관 상호 작용, 이동, 유사분열 및 소기관 역학은 물론 높은 처리량을 오랫동안 유지하는 동안 빛에 민감한 세포 골격을 활성화할 수 있음을 보여줍니다. C. elegans 및 마우스 배아 발달의 세포 내 구조 및 역학에 대한 용어 SR 2D/3D 이미징.

그림: 다중 모드 SIM 데이터의 제로 샘플 노이즈 제거 및 해상도 향상. (출처: 논문)

또한, ZS-DeconvNet을 생물학 연구계에서 널리 사용할 수 있도록 하기 위해, 팀에서는 쉽게 사용할 수 있는 피지 플러그인 툴박스와 ZS-DeconvNet 방법 튜토리얼 홈페이지를 구축했습니다. 딥러닝 지식이 없는 사용자.

광범위한 적용 가능성과 견고성에도 불구하고 ZS-DeconvNet 사용자는 저형광 신호의 오인, 다양한 이미징 모드의 이미지에 적용할 때의 성능 저하, 부적절한 PSF로 인한 문제 등 잠재적인 팬텀 생성과 그 한계를 인식하는 것이 좋습니다. 비지도 학습의 해상도 개선은 지도 학습의 경우만큼 명확하지 않습니다.

향후에는 더욱 진보된 네트워크 아키텍처를 결합하고, 다른 광학 초해상도 기술로 확장하고, 도메인 적응 또는 일반화 기술을 채택하고, 공간적으로 다양한 PSF를 처리함으로써 ZS-DeconvNet의 기능과 응용 범위가 더욱 확장될 것입니다.

논문 링크:https://www.nature.com/articles/s41467-024-48575-9

위 내용은 회절 한계를 1.5배 초과, 이미징 조건은 10배 더 낮음, 칭화대학교와 중국과학원은 AI 방법을 사용하여 현미경 해상도 향상의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!