中国华中科技大学：深度自学习实现了具有三维各向同性分辨率的体视显微技术

由于光学 PSF 固有的各向异性，HR 侧向图像自然成为提高原始数据轴向分辨率的合理黄金标准。从同一各向异性体积中直接提取的未配对横向和轴向图像用于无监督自学习。然后，通过加载经过训练的自网络来增强原始图像堆栈中的所有轴向切片，从而实现各向同性修复。作者：宁可夫、卢博林、王小军、张晓宇、聂硕、蒋涛、李安安、范国庆、王晓峰、罗清明、龚慧、袁静

体积荧光显微镜是全面研究细胞和器官不可或缺的工具。由于标本本身是三维（3D）的，因此最佳成像系统应在所有方向上都具有高空间分辨率。

然而，受限于工作原理，大多数显微成像模式都存在各向异性点扩散函数（PSF）问题，即轴向分辨率比横向分辨率差 2 到 3 倍，这严重阻碍了生物样本内部复杂体积结构的精确可视化、解剖和分析。

解决这一问题的硬件往往非常复杂，最终限制了这些方法的适用性。因此，当前的生命科学研究迫切需要开发简单、有效、可广泛应用的三维分辨率各向同性复原方法，以便从不同角度观察三维成像数据时都能获得一致的高分辨率。

有别于以往的方法，Self-Net 采用无监督学习来处理现实中的各向异性降解，从而让监督训练的构建对各向同性复原结果施加强有力的约束，以确保高保真重建。这种两阶段学习框架有效地缓解了之前报道的方法的幻觉问题，大大提高了图像质量。

作者在多种常用成像系统和生物样本上验证了这一方法。结果表明，它不仅能有效提高宽视场、共焦、双光子、光片显微镜的三维分辨率各向同性，还能应用于受激发射耗尽（STED）显微镜和超分辨率结构照明显微镜（SR-SIM），实现超越原系统分辨率极限的各向同性三维超分辨率。

在发表于《光：由中国华中科技大学武汉光电国家实验室布里顿钱斯生物医学光子学研究中心的龚辉教授和袁晶领导的科学家团队及其合作者开发了一种通用的两阶段深度自学习方法，称为 "自网络"（Self-Net），用于提高体积荧光显微镜的分辨率各向同性，具有快速训练和推理速度以及高重建保真度。

该方法采用自学习策略，通过使用同一数据集中的高分辨率横向图像作为理性目标，提高各向异性原始数据的轴向分辨率。这种策略的独特之处在于它充分利用了系统 PSF 的三维分布特征，无需获取注册训练数据或对图像形成过程进行物理建模。基于这种方法，很容易在不同的显微镜平台上实现各向同性的三维成像，并有望促进发现新的生物学见解。

左图：300 微米厚的小鼠脑组织切片的共聚焦成像。图中展示了原始成像数据的 XZ 最大强度投影（MIP）和自网还原。右图 纳米磁珠的 STED 成像。展示了原始成像数据的体积渲染和 Self-Net 还原。归功于：宁可夫、吕伯林、王小军、张晓宇、聂硕、蒋涛、李安安、范国庆、王晓峰、罗清明、龚慧、袁静

图中展示了原始成像数据的 XZ MIPs 和 Self-Net 还原数据。左下角显示了每个数据的各向同性比。资料来源：宁可夫、吕伯林、王小军、张晓宇、聂硕、蒋涛、李安安、范国庆、王晓峰、罗清明、龚慧、袁静

作者进一步证明了 Self-Net 对密集神经元成像数据的有效性。作为最独特的中间神经元之一，轴突细胞（AACs）含有极其密集的轴突轴，而这些细胞的形态重建一直受限于体积成像的低轴向分辨率。

在 Self-Net 的帮助下，这一问题将不再令人头疼。可以看到，在原始轴向视图中，AAC 细小交错的轴突纤维难以分辨，但经过 Self-Net 还原后，这些细小交错的轴突纤维就很容易分辨了。三维数据的各向同性比从 0.51 提高到 0.94，这意味着不同观察角度的图像质量基本一致。Self-Net 提供的各向同性三维分辨率使复杂的 AAC 三维数据得以清晰可视和准确分析。神经元重建速度比以前提高了近四倍，大大提高了分析效率。

此外，Self-Net 的高效性和适用性使得一个省时、省数据的管道能够在 0.2 × 0.2 × 0.2 μm3 的体素分辨率下实现全脑各向同性成像（DeepIsoBrain），这显著提高了复杂单神经元形态的重建效率和准确性，是促进基于形态学的神经科学研究的一种有前途的方法。

总之，Self-Net 深度学习框架是实现体积显微镜分辨率各向同性的一种有效而可靠的方法。可以预见，Self-Net 将在多个领域发挥作用，不仅能改进现有的三维成像数据集，还能改进新的数据采集。

对于具有固有三维结构分布的生物器官和组织，该方法提供的各向同性三维分辨率可有效促进样本的精确三维重建和分析，有望推动生命科学等领域的新发现和新进展。

参考资料

Kefu Ning et al, Deep self-learning enables fast, high-fidelity isotropic resolution restoration for volumetric fluorescence microscopy, Light: Science & Applications (2023). DOI: 10.1038/s41377-023-01230-2

本文由光电查搜集整理，未经同行评议，请自行判断可信度。仅供学习使用。