图示：通过 ZS-DeconvNet 对快速光敏生物历程进行长期 SR 成像。（来源：论文）
编辑 | 萝卜皮
计算超分辨率法子，包括传统的分析算法和深度进修模型，极大地改进了光学显微镜。其中，有监视深度神经收集表现出了出色的性能，但由于活细胞的高动态性，需要大量的高质量训练数据，而获得这些数据非常费力甚至不切实际。
在最新的研讨中，清华大学和中国科学院的研讨人员开发了零样本反卷积收集（Zero-shot deconvolution networks，ZS-DeconvNet），可立即将显微镜图象的分辨率提高超过衍射极限 1.5 倍以上，同时荧光比普通超分辨率成像条件低 10 倍，以无监视的方式进行，无需地面事实或额外的数据采集。
研讨人员还展示了 ZS-DeconvNet 在多种成像形式上的多功能适用性，包括全内反射荧光显微镜、三维宽视场显微镜、共焦显微镜、双光子显微镜、晶格光片显微镜和多模态结构照明显微镜；它能够对从有丝分裂单细胞到小鼠和秀丽隐杆线虫的多细胞胚胎的亚细胞生物历程进行多色、长期、超分辨率 2D/3D 成像。
该研讨以「Zero-shot learning enables instant denoising and super-resolution in optical fluorescence microscopy」为题，于 2024 年 5 月 16 日发布在《Nature Communications》。
光学荧光显微镜对于生物研讨至关重要，而超分辨率技能的进步极大提高了成像细节，但伴随空间分辨率提升的是其他成像参数的折衷。计算超分辨率法子凭借其能在线提升图象质量、增强现有设备性能且扩展运用范围的能力，成为研讨热点。
这些法子分为基于分析模型的去卷积等技能和基于深度进修的 Super-Resolution（SR）收集两大类。前者受限于参数调优及对复杂成像环境适应性差的问题，后者虽能通过大数据进修复杂图象转换，却面临数据获得难度大、高度依赖训练数据质量的挑战，这限制了深度进修超分辨率技能在生物研讨日常运用中的普及。
在这里，清华大学和中国科学院的研讨团队提出了一个零样本反卷积深度神经收集框架 ZS-DeconvNet，它能够以无监视的方式训练 DLSR 收集，仅使用一张低分辨率和低信噪比的平面图象或体积图象堆栈，从而实现零样本实现。
图示：零样本反卷积收集。（来源：论文）
因此，与最先进的 DLSR 法子相比，ZS-DeconvNet 可以适应不同的生物成像环境，其中生物历程过于动态、对光过于敏感而无法获得真实的 SR 图象，或者图象获得历程受到未知和非理想因素的影响。
研讨人员表示，即使在单个低信噪比输入图象上进行训练，ZS-DeconvNet 也可以将分辨率提高超过衍射极限 1.5 倍以上，并具有高保真度和可量化性，并且无需进行特定于图象的参数调整。
ZS-DeconvNet 适用于多种成像形式，从扫描显微镜到宽场检测显微镜，并在多种样本和显微镜设置中展示了其能力。
图示：将 ZS-DeconvNet 推广到多种成像形式。（来源：论文）
研讨人员证明了经过适当训练的 ZS-DeconvNet 可以在毫秒时间尺度上推断出高分辨率图象，实现对多个细胞器相互作用、迁移和有丝分裂的光敏感历程中的细胞骨架和细胞器动力学，以及发育中的线虫和小鼠胚胎的亚细胞结构和动力学的高通量长期 SR 2D/3D 成像。
图示：多模态 SIM 数据中的零样本去噪和分辨率增强。（来源：论文）
此外，为了让生物学研讨社区能够广泛使用 ZS-DeconvNet，该团队建立了一个 Fiji 插件工具箱和一个 ZS-DeconvNet 法子的教程主页，用户无须深度进修知识也能轻松使用。
尽管具有广泛适用性和稳健性，ZS-DeconvNet 用户需注意潜在的幻想生成及其局限，如低荧光信号误识别、运用于不同成像形式的图象时性能下降、PSF 匹配不当导致的问题，以及无监视进修下的分辨率提升不如监视进修明显。
未来，通过结合更先进的收集架构、拓展至其他光学超分辨技能、采用领域适应或泛化技能，以及处理空间变化的PSF，ZS-DeconvNet的功能和运用范围将进一步扩大。
论文链接：https://www.nature.com/articles/s41467-024-48575-9