深度神经网络已实现了从低分辨率(LR)到超高分辨率(SR)图像的惊人转换。但是,对于这种深度学习模型是否以及在何种成像条件下都胜过SR显微镜的研究很少。有鉴于此,中国科学院生物物理所的李栋和清华大学的戴琼海等研究人员,开发了深度学习超分辨显微成像的方法。
本文要点
1)通过多模态结构照明显微镜(SIM),研究人员首先提供了LR-SR图像配对的广泛数据集,并根据结构复杂性、信噪比和放大因子评估了深度学习SR模型。
2)研究人员设计了深度傅里叶通道注意网络(DFCAN),该网络利用不同特征之间的频率含量差异来学习有关各种生物结构高频信息的精确层次表现。
3)研究人员证明了DFCAN的傅立叶域聚焦技术可以在低信噪比条件下可靠地重建SIM卡图像。
4)研究人员证明,在多色活细胞成像实验中,DFCAN在十倍长的持续时间上可达到与SIM相当的图像质量,这揭示了线粒体嵴和类核苷的详细结构以及细胞器和细胞骨架的相互作用动力学。
参考文献:
Chang Qiao, et al. Evaluation and development of deep neural networks for image super-resolution in optical microscopy. Nature Methods, 2021.
DOI:10.1038/s41592-020-01048-5
https://www.nature.com/articles/s41592-020-01048-5