结合学习方法用于增强型超分辨率成像

《Optics & Laser Technology》：Combined learning for augmented super-resolution imaging

超分辨率成像低信噪比条件下通过融合监督学习与生成式对抗网络的两阶段模型实现高分辨率结构重建，有效解决了传统方法在低光条件下的伪影问题，成功应用于观察活细胞中溶酶体沿微管移动、微管重构机制及线粒体与内质网动态互作。

　　在当今生物医学研究中，观察细胞内部的动态过程是理解生命活动的重要手段。然而，随着研究的深入，对高分辨率成像的需求也日益增加，这使得传统显微成像技术面临新的挑战。结构化光照显微镜（SIM）作为一种实现超分辨率成像的方法，近年来受到了广泛关注。SIM通过使用高频率的条纹照明和对原始莫尔条纹图像进行重建，能够在一定程度上突破光学衍射极限，实现更高分辨率的观察。然而，在低光条件下，SIM的重建图像容易出现伪影，这会掩盖细胞内的精细结构，进而影响对动态生物过程的研究。因此，如何在低光条件下保持图像的高保真度和细节完整性，成为了一个亟待解决的问题。

为了应对这一挑战，研究团队提出了一种名为CLASI（Combined Learning Augmented Super-resolution Imaging）的新型超分辨率成像策略。该策略采用两阶段的深度学习框架，将监督深度学习（SDL）模型的高保真重建能力与生成深度学习（GDL）模型的超精细结构生成优势相结合。具体而言，CLASI首先利用SwinIR模型对原始图像进行初步的去噪和分辨率提升，随后通过一个定制的PAE模块辅助的稳定扩散模型对图像中的细小细胞结构进行进一步的优化。这种两阶段的处理方式不仅有效提升了图像的分辨率，还显著减少了因低信号-噪声比（SNR）而产生的伪影问题，从而确保了重建图像的准确性和真实性。

在实验验证过程中，研究团队对多种细胞结构和成像模式进行了测试，结果显示CLASI在低荧光强度条件下仍能实现与真实SIM图像（GT-SIM）相当的分辨率。这表明，CLASI在保持高保真度的同时，能够有效恢复图像中的超精细结构，从而为研究动态的细胞内过程提供了可靠的工具。此外，CLASI还能够在长时间、多色成像中捕捉光敏感过程，例如溶酶体沿微管的定向运动、微管在溶酶体牵引下的重构机制，以及线粒体与内质网之间的快速分裂与融合动态。这些发现为理解细胞内的复杂生物过程提供了新的视角。

为了提高CLASI在生物研究领域的应用价值，研究团队还开发了一个napari插件，方便研究人员快速使用该技术。同时，他们还提供了一套详细的使用教程，帮助用户更好地理解和操作CLASI方法。这些资源的开放性不仅促进了CLASI的推广，也为其他研究者提供了进一步探索和改进该技术的可能。

在方法论方面，CLASI的设计充分考虑了不同成像模式下的适用性。传统的SIM重建算法虽然在一定程度上能够提升成像速度和分辨率，但在低光条件下仍然存在信号-噪声比低、图像伪影多等问题。而SDL模型虽然在图像去噪和超分辨率重建方面表现优异，但其在低频模式上的学习能力较强，导致高分辨率图像中出现过度平滑的现象，从而丢失了重要的细节信息。相比之下，GDL模型虽然在生成图像的细节方面具有优势，但其生成过程往往缺乏可控性，容易引入不符合生物学实际的伪影。因此，CLASI通过两阶段的处理方式，既保留了SDL模型的高保真性，又利用了GDL模型的生成能力，从而实现了在低光条件下对细胞结构的高精度重建。

在实际应用中，CLASI的两阶段框架展现了其独特的优势。第一阶段通过SwinIR模型对原始图像进行初步处理，有效去除了噪声并提升了图像的整体分辨率。这一阶段的处理为后续的细节恢复奠定了基础，确保了图像在宏观层面的清晰度。第二阶段则利用稳定扩散模型对图像中的细小结构进行恢复，通过生成模型的特性，能够更精确地重建细胞内的微结构，如溶酶体、微管和线粒体等。这一阶段的处理不仅提升了图像的分辨率，还增强了图像的细节真实度，使得研究人员能够更准确地观察和分析细胞内的动态变化。

此外，CLASI的应用场景不仅限于静态图像的重建，还能够支持长时间的多色成像。这种能力对于研究动态的细胞过程至关重要，因为许多重要的生物活动都是在短时间内发生的，例如细胞器的移动、细胞骨架的重构以及线粒体的分裂与融合。通过CLASI，研究人员可以在不增加光毒性的情况下，实现对这些动态过程的高分辨率观察，从而更深入地理解细胞内的功能机制。

在技术实现上，CLASI的两阶段框架采用了模块化设计，使得每个阶段都能专注于特定的任务。第一阶段的SwinIR模型主要用于图像的初步处理，通过其强大的去噪和分辨率提升能力，为后续的细节恢复提供了高质量的输入。第二阶段的稳定扩散模型则通过其生成能力，对图像中的细小结构进行精细化的恢复。这种模块化的设计不仅提高了处理效率，还增强了模型的灵活性和适应性，使得CLASI能够在不同的成像模式下发挥良好的效果。

CLASI的开发还考虑了实际操作的便利性。为了便于研究人员快速上手，团队不仅开发了napari插件，还提供了详细的使用教程。这些资源的开放性不仅促进了CLASI的推广，也为其他研究者提供了进一步探索和改进该技术的可能。通过这些工具，研究人员可以更高效地进行图像处理和分析，从而节省时间和精力，提高研究效率。

在生物医学研究中，高分辨率成像技术的应用对于理解细胞内的复杂过程具有重要意义。然而，传统方法在低光条件下往往难以兼顾分辨率和细节的真实性。CLASI的出现填补了这一空白，为研究人员提供了一种新的解决方案。通过两阶段的深度学习框架，CLASI不仅提升了图像的分辨率，还有效减少了伪影，使得研究人员能够更准确地观察和分析细胞内的动态变化。

此外，CLASI的应用还拓展了超分辨率成像的范围。除了用于静态图像的重建，CLASI还能够支持长时间的多色成像，这对于研究动态的细胞过程至关重要。例如，在观察溶酶体沿微管的定向运动时，研究人员可以利用CLASI实现高分辨率的动态追踪，从而更深入地理解细胞内的运输机制。同样，在研究线粒体与内质网之间的快速分裂与融合动态时，CLASI的高分辨率成像能力使得研究人员能够更清晰地捕捉这些过程的细节，为理解细胞内的能量代谢和信号传递提供了新的视角。

CLASI的成功不仅体现在其技术实现上，还体现在其对生物研究的实际贡献。通过CLASI，研究人员能够更准确地观察细胞内的动态过程，为理解细胞内的功能机制提供了可靠的数据支持。这种能力对于推动生物医学研究的发展具有重要意义，因为它使得研究人员能够在不增加光毒性的情况下，实现对细胞内部的高分辨率观察，从而更深入地探索生命的奥秘。

在实验验证过程中，研究团队对CLASI的性能进行了全面评估。他们测试了CLASI在不同细胞结构和成像模式下的应用效果，结果显示CLASI在低光条件下仍能实现与真实SIM图像相当的分辨率。这表明，CLASI在保持高保真度的同时，能够有效恢复图像中的超精细结构，从而为研究动态的细胞过程提供了可靠的工具。此外，CLASI还能够在长时间的多色成像中捕捉光敏感过程，如溶酶体沿微管的定向运动、微管在溶酶体牵引下的重构机制，以及线粒体与内质网之间的快速分裂与融合动态。这些发现为理解细胞内的复杂生物过程提供了新的视角。

CLASI的应用还考虑了实际操作的便利性。为了便于研究人员快速上手，团队不仅开发了napari插件，还提供了详细的使用教程。这些资源的开放性不仅促进了CLASI的推广，也为其他研究者提供了进一步探索和改进该技术的可能。通过这些工具，研究人员可以更高效地进行图像处理和分析，从而节省时间和精力，提高研究效率。

总之，CLASI作为一种新型的超分辨率成像策略，通过两阶段的深度学习框架，成功解决了传统SIM在低光条件下出现的伪影问题。其设计不仅保留了SDL模型的高保真性，还利用了GDL模型的生成能力，从而实现了在低光条件下对细胞结构的高精度重建。CLASI的应用不仅拓展了超分辨率成像的范围，还为研究动态的细胞过程提供了可靠的工具，推动了生物医学研究的发展。