1,5 fois au-delà de la limite de diffraction, les conditions d'imagerie sont 10 fois inférieures, l'Université Tsinghua et l'Académie chinoise des sciences utilisent des méthodes d'IA pour améliorer la résolution du microscope

Éditeur | Radis Skin

Les méthodes informatiques de super-résolution, y compris les algorithmes d'analyse traditionnels et les modèles d'apprentissage profond, ont considérablement amélioré la microscopie optique. Parmi eux, les réseaux neuronaux profonds supervisés ont montré d'excellentes performances, mais en raison de la dynamique élevée des cellules vivantes, une grande quantité de données d'entraînement de haute qualité est nécessaire, et l'obtention de ces données est très laborieuse et peu pratique.

Dans les dernières recherches, des chercheurs de l'Université Tsinghua et de l'Académie chinoise des sciences ont développé des réseaux de déconvolution sans tir (ZS-DeconvNet) qui peuvent augmenter instantanément la résolution des images microscopiques de 1,5 fois au-delà de la limite de diffraction ci-dessus, tandis que la fluorescence est 10 fois inférieure aux conditions d'imagerie super-résolution ordinaires, est réalisée de manière non supervisée sans avoir besoin d'expériences au sol ou de collecte de données supplémentaires.

Les chercheurs ont également démontré l'applicabilité polyvalente de ZS-DeconvNet sur plusieurs modalités d'imagerie, notamment la microscopie à fluorescence par réflexion interne totale, la microscopie à grand champ 3D, la microscopie confocale, la microscopie à deux photons, la microscopie à feuille de lumière en réseau et la microscopie à éclairage structuré modal multiple. ; qui permet une imagerie 2D/3D multicolore, à long terme et en super-résolution, d'organismes embryonnaires multicellulaires, des cellules uniques mitotiques à la souris et à Caenorhabditis elegans.

La recherche s'intitulait « L'apprentissage zéro permet un débruitage instantané et une super-résolution en microscopie optique à fluorescence » et a été publiée dans « Nature Communications » le 16 mai 2024.

La microscopie optique à fluorescence est cruciale pour la recherche biologique. Les progrès de la technologie de super-résolution ont amélioré les détails de l'imagerie, mais l'amélioration de la résolution spatiale entraîne un compromis sur d'autres paramètres d'imagerie. Les méthodes informatiques de super-résolution sont devenues un point chaud de la recherche en raison de leur capacité à améliorer la qualité des images en ligne, à renforcer les capacités des équipements existants et à élargir la portée des applications.

Ces méthodes sont divisées en deux catégories : les techniques telles que la déconvolution basées sur des modèles analytiques et les réseaux super-résolution (SR) basés sur le deep learning. Le premier est limité par le réglage des paramètres et une faible adaptabilité aux environnements d’imagerie complexes. Le second peut apprendre des transformations d’images complexes grâce au Big Data, mais est confronté à des défis tels que des difficultés d’acquisition et une forte dépendance à l’égard de la qualité des données de formation. Cela limite la popularité de la technologie d’apprentissage profond à super-résolution dans les applications quotidiennes de la recherche biologique.

Ici, une équipe de recherche de l'Université Tsinghua et de l'Académie chinoise des sciences a proposé un cadre de réseau neuronal profond à déconvolution zéro, ZS-DeconvNet, capable d'entraîner de manière non supervisée des réseaux DLSR en utilisant uniquement une faible résolution et un faible signal vers. -rapport de bruit Une pile d'images planaires ou d'images volumétriques, permettant une mise en œuvre sans prise de vue.

Ainsi, par rapport aux méthodes DLSR de pointe, ZS-DeconvNet peut s'adapter à différents environnements d'imagerie biologique, où les processus biologiques sont trop dynamiques, trop sensibles à la lumière pour acquérir de véritables images SR, ou Les processus d'acquisition d'images sont affectés par des facteurs inconnus et non idéaux.

Les chercheurs affirment que même lorsqu'il est formé sur une seule image d'entrée à faible rapport signal/bruit, ZS-DeconvNet peut améliorer la résolution de plus de 1,5 fois au-delà de la limite de diffraction avec une haute fidélité et une quantification, et sans avoir besoin d'une image spécifique. réglage des paramètres.

ZS-DeconvNet convient à une variété de modalités d'imagerie, de la microscopie à balayage à la microscopie à détection grand champ, et a démontré ses capacités dans une variété d'échantillons et de configurations de microscope.

Illustration : Généralisation de ZS-DeconvNet à plusieurs modalités d'imagerie. (Source : article)

Les chercheurs démontrent que ZS-DeconvNet correctement formé peut déduire des images haute résolution sur des échelles de temps de la milliseconde, permettant un cytosquelette sensible à la lumière lors de multiples interactions d'organites, de la migration et de la mitose et de la dynamique des organites, ainsi qu'un long débit à haut débit. -imagerie SR 2D/3D des structures et de la dynamique subcellulaires dans le développement d'embryons de C. elegans et de souris.

Illustration : Débruitage sans échantillon et amélioration de la résolution dans les données SIM multimodales. (Source : article)

De plus, afin que ZS-DeconvNet soit largement utilisé par la communauté de recherche en biologie, l'équipe a créé une boîte à outils de plug-ins Fidji et une page d'accueil de tutoriels sur la méthode ZS-DeconvNet, qui peuvent être facilement utilisées. par des utilisateurs sans connaissances en apprentissage profond.

Malgré sa large applicabilité et sa robustesse, il est conseillé aux utilisateurs de ZS-DeconvNet d'être conscients de la génération potentielle de fantômes et de ses limites, telles qu'une mauvaise identification des signaux à faible fluorescence, une dégradation des performances lorsqu'ils sont appliqués à des images de différents modes d'imagerie, des problèmes causés par un PSF inapproprié. correspondance, et L'amélioration de la résolution sous apprentissage non supervisé n'est pas aussi évidente que celle sous apprentissage supervisé.

À l'avenir, en combinant des architectures de réseau plus avancées, en s'étendant à d'autres technologies optiques de super-résolution, en adoptant des technologies d'adaptation ou de généralisation de domaine et en traitant des PSF spatialement variables, les fonctions et la portée d'application de ZS-DeconvNet seront encore élargies.

Lien papier : https://www.nature.com/articles/s41467-024-48575-9

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!