深度学习将荧光显微镜带入超高分辨率

加州大学洛杉矶分校(UCLA)领导的团队在笔记本电脑上生成与高端设备相匹配的图像。研究生命奥秘的科学家有时依靠荧光显微镜来仔细观察活细胞。该技术涉及对细胞的一部分进行染色，以使其在特殊的照明下发光，从而揭示出尺寸小于百万分之一米的细胞结构。

但是，即使是高分辨率的荧光显微镜也对显示的细节数量有严格的限制。在过去的几十年中，产生“超分辨率”图像的方法打破了这一障碍，揭示了亚细胞水平的细节，甚至小于一百万分之一米-这一进步获得了 2014年诺贝尔化学奖。

但是这些策略有其自身的缺点：它们可能昂贵且复杂，并且有时涉及对研究细胞有毒的高强度光。

现在，加州大学洛杉矶分校的研究人员创造了一种使用深度学习的新技术(一种人工智能，其中机器通过数据模式“学习”)将低分辨率的荧光显微镜图像转换为超分辨率。该框架从简单，便宜的显微镜中获取图像，并生成模仿更高级和昂贵图像的图像。

研究人员由UCLA校长的电气和计算机工程教授，加州大学洛杉矶分校加州纳米系统研究所副所长Aydogan Ozcan领导 ;这项研究的共同第一作者是加州大学洛杉矶分校的研究生宏达旺和加州大学洛杉矶分校的博士后学者耶尔·里文森。该研究结果在网上公布通过自然的方法。

Ozcan说：“我们需要更好的显微镜才能实现微米和纳米级的发现，并使我们能够进行原本不可能的观察。”他补充说，对于正在研究这种方法的科学家来说，该技术可能是一种廉价且易于使用的解决方案。细胞和其他微观系统的分子工作原理，但缺乏购买或使用更先进设备的资源。

科学家的工作可以使研究人员更容易获得先进的显微镜，并在整个科学和工程学领域开辟发现的道路。

在实验过程中，研究人员向计算机提供了由五种类型的荧光显微镜拍摄的数千张细胞和其他微观结构的图像。图像以匹配对的形式呈现，对象以较低的分辨率和超分辨率显示。

为了从这些图像中学习，该系统使用了一种“生成对抗网络”，这是一种人工智能模型，其中两种算法相互竞争。一种算法尝试从低分辨率输入图像创建计算机生成的超分辨率图像，而第二种算法尝试区分那些计算机生成的图像和从高级显微镜获得的现有超分辨率图像。

对于系统需要学习的每种主题，只需要进行一次“培训”。之后，网络可以改善以前从未“见过”的低分辨率图像，以匹配超分辨率显微镜的图像分辨率，从而无需昂贵的高分辨率显微镜。

在这项研究中，由UCLA开发的系统成功地提高了原始图像(包括细胞和组织样本)的分辨率，对比度和景深。

该研究的合著者，CNSI高级光学显微镜/光谱实验室主任Laurent Bentolila说：“使用超分辨率显微镜需要精确的技术技能和专业知识。” “看到您现在无需使用先进而精致的仪器就可以使用深度学习获得相同的结果，这真是太神奇了。”

新方法避免了其他超分辨率技术的某些缺点。例如，科学家不需要用强光照射样品，这可以改变细胞的行为，甚至可以破坏或杀死它们。另外，它仅基于图像数据提高了分辨率。在研究中，这种方法优于其他分辨率增强算法，后者依赖于可能会证明有缺陷的假设。

Wang说：“我们的系统学习了无法建模的各种类型的转换，因为它们在某种意义上是随机的，或者很难测量，从而使我们能够以前所未有的规模增强显微图像。”

尽管使用的是现成的计算机(研究中使用的设备类似于标准游戏笔记本电脑)，但UCLA研究人员将在不到一秒钟的时间内生成超分辨率图像。里文森说，该系统极大地简化了超分辨率成像，没有专门成像技术的科学家很容易使用该系统。

这项研究的其他作者是加州大学洛杉矶分校的金一音，魏振松，高罗和哈伦·古纳丁。和俄亥俄州立大学的Comert Kural。

该研究得到了美国国家科学基金会和霍华德·休斯医学研究所的支持。成像是在CNSI的高级光学显微镜/光谱实验室和弗吉尼亚州阿什本的HHMI Janelia研究园区的高级成像中心进行的。

标签： 荧光显微镜