专栏名称: BioMed科技
关注生物、医药前沿研究进展!
目录
相关文章推荐
青塔  ·  首次突破!地方高校,发Nature ·  昨天  
移民(微博搜索)  ·  移民(微博搜索)-20250215-1 ·  昨天  
移民(微博搜索)  ·  移民(微博搜索)-20250215-1 ·  昨天  
移民(微博搜索)  ·  移民(微博搜索)-20250215-1 ·  昨天  
移民(微博搜索)  ·  移民(微博搜索)-20250215-1 ·  昨天  
北美留学生观察  ·  越是流感季,越应该注意保暖,这件大衣赶紧穿 ·  昨天  
高校人才网V  ·  事业编制!上海电机学院2025年教师招聘公告 ·  2 天前  
高校人才网V  ·  中国科学院深海科学与工程研究所2025年招聘 ... ·  4 天前  
51好读  ›  专栏  ›  BioMed科技

清华大学,最新Nature Biotechnology,活细胞成像新突破!

BioMed科技  · 公众号  ·  · 2025-01-31 18:14

正文

新型DPA-TISR技术实现超长时间超分辨率成像
在生物医学成像领域,超分辨率(SR)显微技术能够显著提高图像的空间分辨率,从而揭示细胞内精细的生物结构和动态过程。然而,传统的超分辨率技术往往需要高强度的激发光,这会导致光毒性、光漂白等问题,限制了活细胞的长期成像。近年来,深度学习技术的发展为解决这一问题提供了新的思路。通过训练神经网络将低分辨率(LR)图像转换为高分辨率(HR)图像,单图像超分辨率(SISR)方法能够在不改变光学硬件的情况下实现即时超分辨率成像。然而,现有的SISR模型在处理时间序列数据时存在两个主要问题:一是无法捕捉相邻帧之间的时间依赖性,导致超分辨率图像的保真度和时间一致性降低;二是缺乏对输出置信度的可靠评估,使得结果难以被信任。
为了克服这些限制, 清华大学 戴琼海院士 李栋教授 乔晖副教授 团队 提出了一种新型的神经网络模型——DPA-TISR(Deformable Phase-space Alignment Time-lapse Image Super-Resolution),通过自适应增强跨帧对齐和可靠的置信度量化,实现了活细胞的长期超分辨率成像。 文章详细介绍了DPA-TISR模型的设计、实现和评估,展示了其在生物医学成像中的潜力,尤其是在处理时间序列数据时的优势。
相关内容以“A neural network for long-term super-resolution imaging of live cells with reliable confidence quantification”为题于新年首天发表在《 Nature Biotechnology 》上。
【主要内容】
图1 TISR模型中代表性传播和对齐机制的比较
图中比较了时间序列图像超分辨率(TISR)模型中不同的传播和对齐机制。展示了两种时间信息传播方式:滑动窗口(SWP)和循环网络(RNP),以及三种邻域特征对齐机制:基于光流(OF)、非局部注意力(NA)和可变形卷积(DC)。通过在多种生物结构数据上的测试,结果显示循环网络传播和可变形卷积对齐机制在图像保真度和时间一致性方面表现最佳,为后续DPA-TISR模型的设计提供了重要依据。
图2 DPA机制及DPA-TISR与其他方法的比较
研究人员介绍了可变形相空间对齐(DPA)机制,并将基于DPA的TISR(DPA-TISR)模型与其他先进TISR模型(如BasicVSR++和VRT)进行了性能比较。DPA机制通过在频率空间中对齐特征,能够更精准地处理生物结构的复杂运动。实验结果表明,DPA-TISR在高噪声和背景荧光的条件下仍能更好地重建细节,并且在PSNR和SSIM等指标上优于其他模型,证明了其在生物医学成像中的优势。
图3 基于DPA-TISR的细胞器超微结构和动态的快速、长期超分辨率成像
以F-肌动蛋白和网格蛋白涂层囊泡(CCPs)为例,DPA-TISR能够在极低光照条件下实现超过4,800个时间点的超分辨率成像,清晰地解析了F-肌动蛋白丝和CCPs的动态变化,并揭示了它们在细胞吞噬过程中的相互作用,体现了DPA-TISR在活细胞成像中的强大性能。
图4 DPA-TISR的置信度计算与校正
研究人员通过结合贝叶斯深度学习和蒙特卡洛dropout技术,模型能够为每个像素生成置信度图,并通过迭代微调框架最小化期望校准误差(ECE),从而实现可靠的置信度量化。经过校正后,模型的置信度图与实际误差高度一致,为超分辨率成像提供了可靠的误差指示。
图5 利用贝叶斯DPA-TISR实现的长期超分辨率活细胞成像及可靠的置信度评估
以线粒体与过氧化物酶体(POs)的相互作用为例,DPA-TISR能够在超过10,000个时间点上进行双色超分辨率成像,清晰地观察到线粒体分裂事件以及POs在其中的潜在调节作用。同时,置信度图直观地反映了成像结果的可靠性,为长期生物过程的研究提供了有力工具。
【全文总结】
本文提出了一种新型的神经网络模型——DPA-TISR(Deformable Phase-space Alignment Time-lapse Image Super-Resolution),用于活细胞的长期超分辨率成像。该模型通过构建大规模的荧光显微镜数据集,系统评估了时间序列图像超分辨率(TISR)神经网络中的关键组件,并设计了可变形相空间对齐(DPA)机制,能够自适应地增强跨帧对齐,显著提高了超分辨率图像的保真度和时间一致性。此外,作者进一步开发了贝叶斯DPA-TISR模型,通过贝叶斯深度学习和蒙特卡洛dropout方法,实现了对输出图像置信度的可靠量化,并通过迭代微调框架最小化置信度校准误差,使模型能够生成高置信度的超分辨率图像。实验结果表明,DPA-TISR和贝叶斯DPA-TISR能够在低光照条件下实现超过10,000个时间点的多色超分辨率成像,清晰地捕捉细胞内复杂的生物过程,为活细胞成像和生物医学研究提供了强大的工具。






请到「今天看啥」查看全文