用于荧光显微镜通用和高保真分辨率增强的新型物理信息神经网络

为了解决当前计算超分辨率显微镜的局限性，浙江大学的一组研究人员引入了一种新颖的深度物理信息稀疏性框架，显著提高了结构保真度和通用性。

该创新方法融合了物理成像模型、先验知识、后端优化算法和深度学习，无需额外训练或参数调整，即可将不同成像模式下的物理分辨率提高至少 1.67 倍。

这一进展对于生物医学研究界来说意义重大，因为高分辨率成像对于理解复杂的生物结构和过程至关重要。深度物理信息稀疏性框架不仅扩展了结构化照明显微镜的空间分辨率，而且还确保了高保真度，优于现有方法。

实验结果表明，新方法可以分辨传统方法无法区分的更精细的细节，例如纳米级线对和相邻的荧光珠。

这一进步使得人们能够更清晰地对微管、核孔复合体和网格蛋白小窝等复杂生物样本进行成像，从而对细胞结构和动态提供前所未有的洞察。

该框架无需额外培训即可广泛应用于不同的成像模式，进一步凸显了其彻底改变显微镜的潜力，使各个科学领域的研究更加详细、准确。

荧光图像超分辨率本质上是一个病态问题，可以在数学上表述为最小化观察到的低分辨率图像与点扩展函数和超分辨率图像的卷积运算之间的差异。

传统方法存在与结构依赖性、参数调整和对成对训练数据的需求相关的局限性。稀疏反卷积依赖于稀疏性和连续性先验，但高度依赖于特定的生物结构和参数调整。

均值漂移超分辨率虽然可以有效地压缩点扩展函数，但在迭代过程中往往会导致像素值出现负值，从而导致信息丢失，尤其是在结构复杂的情况下。

监督式深度学习方法需要精心配对的训练数据，并且受到地面真实图像的可用性的限制，使得它们在不同样本类型和模式中的通用性较差。

新方法在深度物理信息稀疏框架内使用与荧光显微镜先验相结合的无监督神经网络来提高分辨率，同时保持结构保真度。它利用物理信息目标函数，该函数结合了结构相似性指数度量、L1 范数和 Hessian 矩阵，以实现稀疏性和连续性约束。

通过用特定权重平衡这些约束，该框架优化了超分辨率输出，确保了高结构完整性并避免了可能出现的网格伪影。

该设置由经过修改的 U-NET 架构补充，该架构包含一个错误反馈单元，解决了传统 U-NET 中经常遇到的特征图信息丢失问题。该框架的双阶段架构(包括去噪和深度物理信息稀疏性过程)进一步完善了超分辨率结果，使其适用于各种成像模式。

网络的训练涉及使用特定数据集的两步传输策略来增强分辨率和结构保真度，从而确保广泛的适用性和高保真重建。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！