导读:该研究提出了一套合理化深度学习显微成像技术框架,将光学成像模型及物理先验与神经网络结构设计相融合,合理化网络训练、预测过程,从而实现了高性能、高保真的显微图像去噪与超分辨重建。
光学超分辨显微成像技术使人们能够从微观纳米尺度观测细胞内的动态生命活动,是当今细胞生物学、发育生物学、神经科学等生命科学领域的重要研究工具。基于深度学习的超分辨成像技术在保证成像指标,如速度、时程或视野等性能的前提下,进一步提升了显微图像分辨率或信噪比,表现出更大的应用前景。
近日,中国科学院生物物理研究所与清华大学,联合美国霍华德休斯医学研究所等研究团队,在Nature Biotechnology杂志上发表了题为“Rationalized deep learning super-resolution microscopy for sustained live imaging of rapid subcellular processes”的研究论文。该研究提出了一套合理化深度学习显微成像技术框架,将光学成像模型及物理先验与神经网络结构设计相融合,合理化网络训练、预测过程,从而实现了高性能、高保真的显微图像去噪与超分辨重建,并结合实验室自主研发、搭建的多模态结构光照明显微镜与高速晶格光片显微镜,将传统成像速度/时程提升30倍以上,实现了当前国际最快、成像时程最长的活体细胞成像性能,并首次对高速摆动纤毛中转运蛋白的多种运输行为以及完整细胞分裂过程中核仁液-液相分离过程进行了快速、多色、长时程、超分辨观测。
综上,本研究提出了一种合理化深度学习超分辨显微成像框架,解决了现有深度学习成像方法分辨率损失、预测不确定性、训练集不易采集等难题。同时,人工智能算法与光学显微成像技术的交叉创新,也为现代光学显微成像的发展开辟了新的技术路径。
原文链接:
https://www.nature.com/articles/s41587-022-01471-3
来源于:科技部生物中心
热门评论
最新资讯
新闻专题
更多推荐