高信噪比、高分辨率的顯微圖像總是蘊(yùn)含著更豐富、更準(zhǔn)確的信息，幫助我們以更加精確的視角認(rèn)知微觀世界。然而，受多種生物物理、生物化學(xué)、物理光學(xué)因素（如熒光標(biāo)記濃度、探針亮度、光毒性、光漂白、光子噪聲等）的限制，傳統(tǒng)超分辨顯微成像技術(shù)在提升空間分辨率的同時(shí)，往往會(huì)犧牲成像時(shí)程、速度等其他重要性能。針對(duì)這一問題，清華大學(xué)戴瓊海/李棟合作團(tuán)隊(duì)曾于2021年提出傅里葉注意力超分辨方法（DFCAN），僅使用單張低分辨率圖像即可實(shí)現(xiàn)高保真超分辨預(yù)測。此后，多種單張顯微圖像超分辨（Single image super-resolution，SISR）模型被提出，用以拓展活體超分辨顯微成像的性能。然而，這些SISR模型在實(shí)際應(yīng)用于活體顯微成像實(shí)驗(yàn)（通常表現(xiàn)為時(shí)序數(shù)據(jù)）時(shí)，往往存在兩個(gè)重要局限：第一，SISR模型無法捕捉相鄰幀之間的時(shí)間相關(guān)性，可能產(chǎn)生時(shí)間不一致的推理結(jié)果；第二，當(dāng)前SISR方法缺乏對(duì)輸出結(jié)果的準(zhǔn)確置信度評(píng)估，因而生物學(xué)家無法判斷其產(chǎn)生的結(jié)果是否可信。
針對(duì)上述局限，1月29日，清華大學(xué)自動(dòng)化系戴瓊海院士、喬暉副教授團(tuán)隊(duì)聯(lián)合清華大學(xué)生命學(xué)院李棟團(tuán)隊(duì)以“置信度可準(zhǔn)確量化的長時(shí)程超分辨活細(xì)胞成像神經(jīng)網(wǎng)絡(luò)”（A neural network for long-term super-resolution imaging of live cells with reliable confidence quantification）為題在《自然·生物技術(shù)》（Nature Biotechnology）雜志發(fā)表研究論文。團(tuán)隊(duì)利用自主開發(fā)的多模態(tài)結(jié)構(gòu)光照明超分辨顯微鏡（Multi-modality Structured Illumination Microscopy）構(gòu)建了高質(zhì)量的時(shí)序超分辨顯微圖像公開數(shù)據(jù)集BioTISR，并基于對(duì)現(xiàn)有時(shí)序圖像超分辨（Time-lapseimage super-resolution，TISR）方法的系統(tǒng)測評(píng)，提出了可變形相空間校準(zhǔn)機(jī)制（Deformable phase-space alignment，DPA）及相應(yīng)的TISR模型（DPA-TISR），該模型可對(duì)低信噪比、低分辨率的時(shí)序圖像進(jìn)行高保真度超分辨重建，將多色活體超分辨成像時(shí)程拓展30倍以上、延長至上萬時(shí)間點(diǎn)；進(jìn)一步地，團(tuán)隊(duì)將貝葉斯學(xué)習(xí)與DPA-TISR結(jié)合，提出了貝葉斯時(shí)序圖像超分辨神經(jīng)網(wǎng)絡(luò)（Bayesian DPA-TISR），并設(shè)計(jì)了一種期望校正誤差（Expected calibration error，ECE）最小化方法，從而對(duì)DPA-TISR的輸出結(jié)果進(jìn)行準(zhǔn)確的置信度評(píng)估，幫助生物學(xué)家進(jìn)行更可信的定量研究。
圖1.相空間時(shí)序圖像校準(zhǔn)機(jī)制示意圖
研究團(tuán)隊(duì)首先構(gòu)建了一個(gè)大規(guī)模、高質(zhì)量的時(shí)序超分辨圖像數(shù)據(jù)集BioTISR，并利用這一數(shù)據(jù)集對(duì)TISR方法的兩個(gè)關(guān)鍵組成部分，即傳播機(jī)制（propagation）和校準(zhǔn)機(jī)制（alignment）進(jìn)行了全面、系統(tǒng)的測評(píng)。測評(píng)結(jié)果表明，現(xiàn)有方法中最先進(jìn)的可變形卷積校準(zhǔn)機(jī)制依然無法合理捕捉相鄰幀中生物結(jié)構(gòu)的全局、大幅位移，導(dǎo)致整體超分辨重建并不理想。針對(duì)這一問題，團(tuán)隊(duì)設(shè)計(jì)了一種以相空間校準(zhǔn)（圖1）為基礎(chǔ)的時(shí)間序列圖像超分辨神經(jīng)網(wǎng)絡(luò)模型DPA-TISR，該模型能夠在相位域中自適應(yīng)地增強(qiáng)跨幀對(duì)齊能力，并且實(shí)現(xiàn)了當(dāng)前最優(yōu)的TISR性能。BioTISR數(shù)據(jù)集與DPA-TISR模型共同為超分辨顯微成像領(lǐng)域建立了一個(gè)時(shí)序顯微圖像超分辨模型的平臺(tái)（benchmark）與基準(zhǔn)（baseline），將進(jìn)一步推動(dòng)AI社區(qū)與光學(xué)顯微成像領(lǐng)域的深度融合與交叉創(chuàng)新。
圖2.時(shí)間序列圖像超分辨貝葉斯神經(jīng)網(wǎng)絡(luò)
在DPA-TISR模型的基礎(chǔ)上，研究團(tuán)隊(duì)針對(duì)圖像超分辨神經(jīng)網(wǎng)絡(luò)的不確定性與置信度未知難題，引入了貝葉斯學(xué)習(xí)與蒙特卡洛隨機(jī)丟棄策略，提出了貝葉斯時(shí)序圖像超分辨神經(jīng)網(wǎng)絡(luò)（Bayesian DPA-TISR）（圖2），并針對(duì)貝葉斯學(xué)習(xí)常見的“過度自信”問題，設(shè)計(jì)了一種期望校正誤差最小化方法，通過迭代線性搜索和二項(xiàng)式擬合對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)，使得所預(yù)測的置信度圖與實(shí)際誤差盡可能匹配，從而將模型期望校正誤差降低5倍以上，可靠地指示模型潛在的推理錯(cuò)誤。
圖3.對(duì)線粒體與過氧化物酶體相互作用進(jìn)行分類和評(píng)估
Bayesian DPA-TISR準(zhǔn)確的置信度量化能力可以助力更加嚴(yán)謹(jǐn)?shù)纳茖W(xué)研究。例如，過氧化物酶體（PO）是一種頻繁與線粒體接觸以調(diào)節(jié)細(xì)胞活性氧代謝的功能性細(xì)胞器，然而受限于觀測手段，線粒體-過氧化物酶體相互作用的類型和比例至今未被系統(tǒng)研究。借助DPA-TISR的高速、長時(shí)程、超分辨成像能力，研究團(tuán)隊(duì)能夠清晰地分辨出兩種細(xì)胞器空間關(guān)系與互作機(jī)制（圖3），進(jìn)而發(fā)現(xiàn)幾乎一半PO從未與線粒體發(fā)生接觸，同時(shí)另一半曾與線粒體互作的PO可以分為三類：17%的PO與單個(gè)線粒體的接觸位點(diǎn)穩(wěn)定關(guān)聯(lián)；8%的PO同時(shí)連接兩個(gè)或更多的線粒體，充當(dāng)橋梁的作用；11%的PO隨機(jī)地改變其與線粒體的接觸位點(diǎn)，充當(dāng)細(xì)胞內(nèi)信使的角色。特別地，最后7%的PO類型被劃分為不確定，因?yàn)锽ayesian DPA-TISR警示圖像在該區(qū)域的置信度過低，無法進(jìn)行可信的行為分類（圖3h）。這一研究表明，Bayesian DPA-TISR可以為超長時(shí)程活細(xì)胞超分辨成像以及置信度可量化的生物分析提供全新的技術(shù)路徑和廣泛的應(yīng)用基礎(chǔ)。
清華大學(xué)自動(dòng)化系博士后喬暢、博士生劉書然、徐聞聰、清華大學(xué)信息科學(xué)與技術(shù)國家研究中心副研究員王玉旺為論文共同第一作者。清華大學(xué)自動(dòng)化系、清華大學(xué)信息科學(xué)與技術(shù)國家研究中心、腦與認(rèn)知科學(xué)研究院戴瓊海教授、喬暉副教授，清華大學(xué)生命科學(xué)學(xué)院李棟教授為論文共同通訊作者。研究得到國家自然科學(xué)基金、國家重點(diǎn)研發(fā)計(jì)劃、北京市自然科學(xué)基金、騰訊新基石科學(xué)基金、清華大學(xué)水木學(xué)者、中國博士后科學(xué)基金的資助。
論文鏈接：
https://www.nature.com/articles/s41587-025-02553-8
本文鏈接：http://www.wbe-yiqi.com/news-8-736-0.html清華團(tuán)隊(duì)開發(fā)置信度可量化的時(shí)序顯微圖像超分辨方法
聲明：本網(wǎng)頁內(nèi)容由互聯(lián)網(wǎng)博主自發(fā)貢獻(xiàn)，不代表本站觀點(diǎn)，本站不承擔(dān)任何法律責(zé)任。天上不會(huì)到餡餅，請(qǐng)大家謹(jǐn)防詐騙！若有侵權(quán)等問題請(qǐng)及時(shí)與本網(wǎng)聯(lián)系，我們將在第一時(shí)間刪除處理。
點(diǎn)擊右上角
微信好友
朋友圈
點(diǎn)擊瀏覽器下方“
”分享微信好友Safari瀏覽器請(qǐng)點(diǎn)擊“
”按鈕
點(diǎn)擊右上角
QQ
點(diǎn)擊瀏覽器下方“”分享QQ好友Safari瀏覽器請(qǐng)點(diǎn)擊“”按鈕
