深度學(xué)習(xí)助力消除光學(xué)像差難題：速度快成本低分辨率高_(dá)abio生物試劑品牌網(wǎng)
該研究由Min Guo、Yicong Wu、Chad M. Hobson 等多位學(xué)者合作完成，文章題為 “Deep learning-based aberration compensation improves contrast and resolution in fluorescence microscopy”，于 2025年1月在線發(fā)表于《Nature Communications》。
重要發(fā)現(xiàn)
01DeAbe方法的核心原理
DeAbe的核心思路是利用樣本“淺層”圖像作為高質(zhì)量參考，解決像差補(bǔ)償?shù)挠?xùn)練數(shù)據(jù)問題。在3D熒光成像中，樣本淺層（靠近物鏡一側(cè)）的圖像通常受像差影響小，接近衍射極限，可作為“真值”。研究人員基于成像物理原理，對(duì)這些淺層圖像引入合成像差，使其模擬深層受像差嚴(yán)重影響的圖像，從而構(gòu)建“像差圖像-真值圖像”的訓(xùn)練對(duì)，再用3DRCAN神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)逆轉(zhuǎn)像差的能力，最終讓訓(xùn)練好的模型為未知數(shù)據(jù)消除深度相關(guān)像差。
在模擬實(shí)驗(yàn)中，研究團(tuán)隊(duì)構(gòu)建了包含點(diǎn)、線、球等結(jié)構(gòu)的3D幻影，添加隨機(jī)像差和噪聲后，對(duì)比DeAbe與傳統(tǒng)方法的效果。結(jié)果顯示，DeAbe在結(jié)構(gòu)相似性指數(shù)（SSIM）和峰值信噪比（PSNR）上均優(yōu)于盲去卷積、基于理想點(diǎn)擴(kuò)散函數(shù)（PSF）的Richardson-Lucy去卷積等方法，尤其在像差幅度匹配時(shí)表現(xiàn)最佳，即使像差的均方根波前畸變超過4弧度，仍能有效改善圖像。
實(shí)驗(yàn)驗(yàn)證中，團(tuán)隊(duì)將DeAbe與自適應(yīng)光學(xué)（AO）對(duì)比。在鬼筆環(huán)肽染色的PtK2細(xì)胞成像中，引入的像差掩蓋了細(xì)胞邊緣的肌動(dòng)蛋白網(wǎng)等精細(xì)結(jié)構(gòu)，而DeAbe能恢復(fù)這些結(jié)構(gòu)，對(duì)比度和分辨率接近無像差真值；在固定的5天齡斑馬魚胚胎（表達(dá)GFP膜標(biāo)記）中，DeAbe與AO均能改善40-140μm深度的圖像，側(cè)向和軸向分辨率提升顯著，部分場(chǎng)景中DeAbe的視覺清晰度甚至優(yōu)于AO，可能源于AO校正的不完全性。
03 多模態(tài)成像中的應(yīng)用DeAbe在多種顯微鏡技術(shù)中展現(xiàn)出廣泛適用性。在光片顯微鏡成像的活體秀麗隱桿線蟲胚胎中，原始數(shù)據(jù)隨深度增加對(duì)比度和分辨率下降，難以分辨亞核結(jié)構(gòu)，而DeAbe恢復(fù)了這些結(jié)構(gòu)，效果優(yōu)于會(huì)放大噪聲的Richardson-Lucy去卷積；在轉(zhuǎn)盤共聚焦顯微鏡成像的成年秀麗隱桿線蟲中，DeAbe顯著提升了NeuroPAL轉(zhuǎn)基因標(biāo)記的核信號(hào)信噪比，有助于神經(jīng)元識(shí)別；在超分辨瞬時(shí)結(jié)構(gòu)光照明顯微鏡（iSIM）成像的NK-92細(xì)胞中，DeAbe結(jié)合去卷積能更好分辨膜結(jié)合糖蛋白簇等精細(xì)結(jié)構(gòu)；在雙光子顯微鏡成像的小鼠心肌組織中，DeAbe恢復(fù)了150μm深度內(nèi)的線粒體邊界，而傳統(tǒng)去卷積僅放大噪聲。
此外，DeAbe還能提升定量分析能力。在iDISCO透明化的E11.5小鼠胚胎中，它改善了血管定向分析的精度，使密集交叉血管區(qū)域的體素級(jí)方向量化更清晰；在秀麗隱桿線蟲胚胎的4D成像中，結(jié)合去卷積和各向同性增強(qiáng)網(wǎng)絡(luò)，DeAbe助力膜和核的自動(dòng)分割，細(xì)胞計(jì)數(shù)更接近手動(dòng)真值，還能追蹤神經(jīng)突發(fā)育動(dòng)態(tài)。
創(chuàng)新與亮點(diǎn)
01突破傳統(tǒng)技術(shù)局限
傳統(tǒng)自適應(yīng)光學(xué)（AO）雖能補(bǔ)償像差，但需測(cè)量像差波前并施加校正波前，這會(huì)減慢成像速度、增加樣本照射劑量，且設(shè)備復(fù)雜、成本高，僅少數(shù)實(shí)驗(yàn)室能使用。而DeAbe完全通過計(jì)算實(shí)現(xiàn)像差補(bǔ)償，無需額外硬件，不影響成像的時(shí)間分辨率，尤其適用于動(dòng)態(tài)樣本（如快速發(fā)育的胚胎），解決了AO在速度和成本上的痛點(diǎn)。
DeAbe創(chuàng)新性地利用樣本自身的淺層高質(zhì)量圖像生成訓(xùn)練數(shù)據(jù)，無需依賴AO獲取真值。通過合成像差模擬深層圖像退化，讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本特異性先驗(yàn)，這一“內(nèi)容感知”策略使其優(yōu)于依賴已知像差PSF的傳統(tǒng)去卷積方法，能更好適應(yīng)復(fù)雜生物樣本的像差特性。
03 廣泛的應(yīng)用價(jià)值
DeAbe適用于共聚焦、光片、多光子、超分辨等多種顯微鏡，覆蓋從微米級(jí)細(xì)胞到毫米級(jí)胚胎的樣本，既能提升圖像的定性觀察效果（如清晰顯示神經(jīng)突細(xì)節(jié)），又能增強(qiáng)定量分析能力（如血管定向、細(xì)胞分割）。它讓缺乏高端AO設(shè)備的實(shí)驗(yàn)室也能獲得高質(zhì)量成像數(shù)據(jù)，推動(dòng)生命科學(xué)研究中厚樣本成像的普及和深入。
總結(jié)與展望
DeAbe通過深度學(xué)習(xí)實(shí)現(xiàn)光學(xué)像差的計(jì)算補(bǔ)償，無需額外硬件，不犧牲成像速度和樣本安全性，效果媲美自適應(yīng)光學(xué)，在多種顯微鏡和樣本中驗(yàn)證了其提升圖像質(zhì)量和定量分析的能力。未來，研究可擴(kuò)展至橫向變化像差的校正，探索全合成數(shù)據(jù)訓(xùn)練的通用性，結(jié)合更多超分辨技術(shù)，進(jìn)一步提升對(duì)異質(zhì)樣本的適應(yīng)力，有望成為生命科學(xué)成像的常規(guī)工具，助力揭示厚樣本深處的生物結(jié)構(gòu)與動(dòng)態(tài)機(jī)制。
聲明：本文僅用作學(xué)術(shù)目的。
Guo M, Wu Y, Hobson CM, Su Y, Qian S, Krueger E, Christensen R, Kroeschell G, Bui J, Chaw M, Zhang L, Liu J, Hou X, Han X, Lu Z, Ma X, Zhovmer A, Combs C, Moyle M, Yemini E, Liu H, Liu Z, Benedetto A, La Riviere P, Colón-Ramos D, Shroff H. Deep learning-based aberration compensation improves contrast and resolution in fluorescence microscopy. bioRxiv [Preprint]. 2024 Jul 15:2023.10.15.562439. doi: 10.1101/2023.10.15.562439. Update in: Nat Commun. 2025 Jan 2;16(1):313.
DOI: 10.1038/s41467-024-55267-x.
本站“ABIO生物試劑品牌網(wǎng)”圖片文字來自互聯(lián)網(wǎng)
如果有侵權(quán)請(qǐng)聯(lián)系微信: nanhu9181 處理，感謝~
