1.5 kali melebihi had pembelauan, keadaan pengimejan adalah 10 kali lebih rendah, Universiti Tsinghua dan Akademi Sains China menggunakan kaedah AI untuk meningkatkan resolusi mikroskop

Ilustrasi: Pengimejan SR jangka panjang proses biologi fotosensitif pantas melalui ZS-DeconvNet. (Sumber: Paper)

Editor |. Antaranya, rangkaian saraf dalam yang diselia telah menunjukkan prestasi yang sangat baik, tetapi disebabkan oleh dinamik sel hidup yang tinggi, sejumlah besar data latihan berkualiti tinggi diperlukan, dan mendapatkan data ini sangat susah dan tidak praktikal.

Dalam penyelidikan terkini, penyelidik dari Universiti Tsinghua dan Akademi Sains China membangunkan rangkaian penyahkonvolusi sifar pukulan (ZS-DeconvNet) yang boleh meningkatkan serta-merta resolusi imej mikroskop sebanyak 1.5 kali melebihi had pembelauan Di atas, manakala pendarfluor adalah 10 kali lebih rendah daripada keadaan pengimejan resolusi super biasa, dilakukan dengan cara tanpa pengawasan tanpa memerlukan eksperimen tanah atau pengumpulan data tambahan.

Para penyelidik juga menunjukkan kebolehgunaan serba boleh ZS-DeconvNet pada pelbagai modaliti pengimejan, termasuk jumlah mikroskop pendarfluor pantulan dalaman, mikroskop medan lebar 3D, mikroskop confocal, mikroskop dua foton, mikroskop lembaran cahaya kekisi dan Pencahayaan Berstruktur Modal Berstruktur berbilang ; yang membolehkan pengimejan 2D/3D resolusi super pelbagai warna, jangka panjang, bagi organisma embrio berbilang sel daripada sel tunggal mitosis kepada tetikus dan Caenorhabditis elegans.

Penyelidikan itu bertajuk "

Pembelajaran sifar pukulan membolehkan penyahtinjaan segera dan resolusi super dalam mikroskop pendarfluor optik

" dan diterbitkan dalam "Komunikasi Alam Semulajadi" pada 16 Mei 2024.

Mikroskop pendarfluor optik adalah penting untuk penyelidikan biologi Kemajuan teknologi peleraian super telah menambah baik perincian pengimejan, tetapi dengan penambahbaikan resolusi spatial muncul pertukaran parameter pengimejan yang lain. Kaedah resolusi super pengiraan telah menjadi tempat liputan penyelidikan kerana keupayaannya untuk meningkatkan kualiti imej dalam talian, meningkatkan keupayaan peralatan sedia ada dan mengembangkan skop aplikasi.

Kaedah ini dibahagikan kepada dua kategori: teknik seperti penyahkonvolusian berdasarkan model analitikal dan rangkaian super-resolusi (SR) berdasarkan pembelajaran mendalam. Yang pertama dihadkan oleh penalaan parameter dan kebolehsuaian yang lemah kepada persekitaran pengimejan yang kompleks. Yang terakhir boleh mempelajari transformasi imej yang kompleks melalui data besar, tetapi menghadapi cabaran seperti kesukaran dalam pemerolehan dan pergantungan yang tinggi pada kualiti data latihan. Ini mengehadkan populariti teknologi penyelesaian super pembelajaran mendalam dalam aplikasi harian dalam penyelidikan biologi.

Di sini, pasukan penyelidik dari Universiti Tsinghua dan Akademi Sains China mencadangkan rangka kerja rangkaian saraf dalam dekonvolusi sifar ZS-DeconvNet, yang mampu melatih rangkaian DLSR tanpa pengawasan menggunakan hanya resolusi rendah dan isyarat rendah -nisbah hingar Timbunan imej planar atau imej volumetrik, membolehkan pelaksanaan tangkapan sifar.

Ilustrasi: Rangkaian penyahkonvolusi sifar pukulan. (Sumber: kertas)

Oleh itu, berbanding dengan kaedah DLSR yang canggih, ZS-DeconvNet boleh menyesuaikan diri dengan persekitaran pengimejan biologi yang berbeza, di mana proses biologi terlalu dinamik, terlalu sensitif kepada cahaya untuk memperoleh imej SR sebenar, atau pemerolehan imej Proses dipengaruhi oleh faktor yang tidak diketahui dan tidak ideal.

Para penyelidik mengatakan bahawa walaupun apabila dilatih pada satu imej input nisbah isyarat-ke-bunyi rendah, ZS-DeconvNet boleh meningkatkan peleraian lebih daripada 1.5 kali melebihi had pembelauan dengan kesetiaan dan kuantifikasi yang tinggi, dan tanpa memerlukan Imej tertentu pelarasan parameter.

ZS-DeconvNet sesuai untuk pelbagai modaliti pengimejan, daripada mikroskopi imbasan kepada mikroskop pengesanan medan lebar, dan telah menunjukkan keupayaannya dalam pelbagai sampel dan tetapan mikroskop.

Ilustrasi: Mengitlak ZS-DeconvNet kepada pelbagai modaliti pengimejan. (Sumber: kertas)

Penyelidik menunjukkan bahawa ZS-DeconvNet yang terlatih dengan betul boleh menyimpulkan imej beresolusi tinggi pada skala masa milisaat, membolehkan sitoskeleton sensitif cahaya semasa interaksi organel berbilang, penghijrahan dan mitosis serta dinamik organel, serta panjang pemprosesan tinggi -istilah SR 2D/3D pengimejan struktur dan dinamik subselular dalam membangunkan C. elegans dan embrio tikus.

Ilustrasi: Penolakan sampel sifar dan peningkatan resolusi dalam data SIM berbilang modal. (Sumber: kertas)

Selain itu, untuk menjadikan ZS-DeconvNet digunakan secara meluas oleh komuniti penyelidikan biologi, pasukan itu menubuhkan kotak alat pemalam Fiji dan halaman utama tutorial kaedah ZS-DeconvNet, yang boleh digunakan dengan mudah oleh pengguna tanpa pengetahuan pembelajaran yang mendalam.

Walaupun kebolehgunaan dan keteguhannya yang luas, pengguna ZS-DeconvNet harus menyedari potensi penjanaan hantu dan batasannya, seperti salah mengenal pasti isyarat pendarfluor rendah, penurunan prestasi apabila digunakan pada imej mod pengimejan yang berbeza, masalah yang disebabkan oleh pemadanan PSF yang tidak betul, dan Penambahbaikan resolusi di bawah pembelajaran tanpa penyeliaan tidak begitu jelas seperti di bawah pembelajaran diselia.

Pada masa hadapan, dengan menggabungkan seni bina rangkaian yang lebih maju, mengembangkan kepada teknologi resolusi super optik yang lain, menerima pakai penyesuaian domain atau teknologi generalisasi, dan memproses PSF yang berbeza-beza secara spatial, fungsi dan skop aplikasi ZS-DeconvNet akan diperluaskan lagi.

Pautan kertas:https://www.nature.com/articles/s41467-024-48575-9

Atas ialah kandungan terperinci 1.5 kali melebihi had pembelauan, keadaan pengimejan adalah 10 kali lebih rendah, Universiti Tsinghua dan Akademi Sains China menggunakan kaedah AI untuk meningkatkan resolusi mikroskop. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!