高信噪比、高分辨率的顯微圖像總是蘊含著更豐富、更準確的信息，幫助我們以更加精確的視角認知微觀世界。然而，受多種生物物理、生物化學、物理光學因素（如熒光標記濃度、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，往往會犧牲成像時程、速度等其他重要性能。針對這一問題，清華大學戴瓊海/李棟合作團隊曾于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模型在實際應(yīng)用于活體顯微成像實驗（通常表現(xiàn)為時序數(shù)據(jù)）時，往往存在兩個重要局限：第一，SISR模型無法捕捉相鄰幀之間的時間相關(guān)性，可能產(chǎn)生時間不一致的推理結(jié)果；第二，當前SISR方法缺乏對輸出結(jié)果的準確置信度評估，因而生物學家無法判斷其產(chǎn)生的結(jié)果是否可信。
針對上述局限，1月29日，清華大學自動化系戴瓊海院士、喬暉副教授團隊聯(lián)合清華大學生命學院李棟團隊以“置信度可準確量化的長時程超分辨活細胞成像神經(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。團隊利用自主開發(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)量的時序超分辨顯微圖像公開數(shù)據(jù)集BioTISR，并基于對現(xiàn)有時序圖像超分辨（Time-lapseimage super-resolution，TISR）方法的系統(tǒng)測評，提出了可變形相空間校準機制（Deformable phase-space alignment，DPA）及相應(yīng)的TISR模型（DPA-TISR），該模型可對低信噪比、低分辨率的時序圖像進行高保真度超分辨重建，將多色活體超分辨成像時程拓展30倍以上、延長至上萬時間點；進一步地，團隊將貝葉斯學習與DPA-TISR結(jié)合，提出了貝葉斯時序圖像超分辨神經(jīng)網(wǎng)絡(luò)（Bayesian DPA-TISR），并設(shè)計了一種期望校正誤差（Expected calibration error，ECE）最小化方法，從而對DPA-TISR的輸出結(jié)果進行準確的置信度評估，幫助生物學家進行更可信的定量研究。
圖1.相空間時序圖像校準機制示意圖
研究團隊首先構(gòu)建了一個大規(guī)模、高質(zhì)量的時序超分辨圖像數(shù)據(jù)集BioTISR，并利用這一數(shù)據(jù)集對TISR方法的兩個關(guān)鍵組成部分，即傳播機制（propagation）和校準機制（alignment）進行了全面、系統(tǒng)的測評。測評結(jié)果表明，現(xiàn)有方法中最先進的可變形卷積校準機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，導致整體超分辨重建并不理想。針對這一問題，團隊設(shè)計了一種以相空間校準（圖1）為基礎(chǔ)的時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)地增強跨幀對齊能力，并且實現(xiàn)了當前最優(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)域建立了一個時序顯微圖像超分辨模型的平臺（benchmark）與基準（baseline），將進一步推動AI社區(qū)與光學顯微成像領(lǐng)域的深度融合與交叉創(chuàng)新。
圖2.時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，研究團隊針對圖像超分辨神經(jīng)網(wǎng)絡(luò)的不確定性與置信度未知難題，引入了貝葉斯學習與蒙特卡洛隨機丟棄策略，提出了貝葉斯時序圖像超分辨神經(jīng)網(wǎng)絡(luò)（Bayesian DPA-TISR）（圖2），并針對貝葉斯學習常見的“過度自信”問題，設(shè)計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式擬合對神經(jīng)網(wǎng)絡(luò)進行微調(diào)，使得所預(yù)測的置信度圖與實際誤差盡可能匹配，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誤。
圖3.對線粒體與過氧化物酶體相互作用進行分類和評估
Bayesian DPA-TISR準確的置信度量化能力可以助力更加嚴謹?shù)纳茖W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)細胞活性氧代謝的功能性細胞器，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、長時程、超分辨成像能力，研究團隊能夠清晰地分辨出兩種細胞器空間關(guān)系與互作機制（圖3），進而發(fā)現(xiàn)幾乎一半PO從未與線粒體發(fā)生接觸，同時另一半曾與線粒體互作的PO可以分為三類：17%的PO與單個線粒體的接觸位點穩(wěn)定關(guān)聯(lián)；8%的PO同時連接兩個或更多的線粒體，充當橋梁的作用；11%的PO隨機地改變其與線粒體的接觸位點，充當細胞內(nèi)信使的角色。特別地，最后7%的PO類型被劃分為不確定，因為Bayesian DPA-TISR警示圖像在該區(qū)域的置信度過低，無法進行可信的行為分類（圖3h）。這一研究表明，Bayesian DPA-TISR可以為超長時程活細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)。
清華大學自動化系博士后喬暢、博士生劉書然、徐聞聰、清華大學信息科學與技術(shù)國家研究中心副研究員王玉旺為論文共同第一作者。清華大學自動化系、清華大學信息科學與技術(shù)國家研究中心、腦與認知科學研究院戴瓊海教授、喬暉副教授，清華大學生命科學學院李棟教授為論文共同通訊作者。研究得到國家自然科學基金、國家重點研發(fā)計劃、北京市自然科學基金、騰訊新基石科學基金、清華大學水木學者、中國博士后科學基金的資助。
論文鏈接：
https://www.nature.com/articles/s41587-025-02553-8
本文鏈接：http://www.enbeike.cn/news-8-736-0.html清華團隊開發(fā)置信度可量化的時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，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。
點擊右上角
微信好友
朋友圈
點擊瀏覽器下方“
”分享微信好友Safari瀏覽器請點擊“
”按鈕
點擊右上角
QQ
點擊瀏覽器下方“”分享QQ好友Safari瀏覽器請點擊“”按鈕
