Ученые предложили универсальный метод обработки микроскопических изображений на основе ИИ без обучения на примерах
Исследователи под руководством профессора Ли Дуна из Института биофизики Китайской академии наук совместно с командой профессора Дай Цюнхая из Университета Цинхуа предложили метод сверточных сетей с нулевым обучением (ZS-DeconvNet) и разработали соответствующее программное обеспечение для обработки микроскопических изображений в один клик.
Исследование опубликовано в Nature Communications.
Ключевые возможности метода:
- Обучение без примеров: Для обучения в неконтролируемом режиме требуется всего одно изображение с низким соотношением разрешения к шуму.
- Повышение разрешения: Стабильно увеличивает разрешение микроскопических изображений более чем в 1.5 раза по сравнению с дифракционным пределом.
- Работа при низкой освещенности: Эффективен при интенсивности флуоресценции в 10 раз ниже, чем в традиционных условиях сверхразрешающей микроскопии.
Научная основа:
Исследователи разработали самообучаемую функцию потерь, вдохновленную физикой процесса, на основе:
- Модели фотонного шума.
- Модели формирования изображения в оптическом микроскопе.
- Пространственной непрерывности изображения.
Эта функция позволяет одновременно обучать сети шумоподавлению и повышению разрешения без необходимости в дополнительных тренировочных наборах. Сходимость предложенной функции потерь доказана теоретически.
Универсальность применения:
ZS-DeconvNet может работать с различными режимами микроскопии:
- Микроскопия полного внутреннего отражения (TIRF).
- Трехмерная широкопольная микроскопия.
- Решетчатая светлопольная микроскопия (LLSM).
- Конфокальная микроскопия.
Особое достижение:
На основе теоретического открытия свойств нулевого шумового ожидания при реконструкции изображений в микроскопии структурированного освещения (SIM), метод был адаптирован для работы с SIM. Это позволило впервые обучить устойчивую к шуму модель глубокого обучения для повышения разрешения SIM-изображений без учителя.
Преимущества:
- Адаптивность: Может использоваться в различных биологических условиях, даже когда процессы слишком динамичны или чувствительны к свету для получения высококачественных изображений традиционными методами.
- Скорость: По сравнению с традиционными итерационными методами деконволюции пропускная способность данных увеличена более чем в 100 раз при значительном улучшении качественных и количественных показателей во всех условиях соотношения сигнал/шум.
- Доступность: Разработан универсальный плагин для Fiji с функциями обучения и предсказания, а также учебная страница, что делает инструмент доступным для исследователей в области наук о жизни, не являющихся специалистами в ИИ.
Практическая проверка:
Проведенные масштабные in vivo биологические эксперименты подтвердили универсальность и отличную производительность ZS-DeconvNet в различных режимах визуализации.