编辑推荐：
为解决传统深度学习结构光照明显微镜（DL-SIM）透明性与可靠性不足、易致生物误判问题，研究人员开发贝叶斯深度学习（BayesDL）框架用于 SIM。结果表明其可提升重建保真度并量化超分辨率不确定性，为实际应用奠定基础。
在生命科学研究的微观世界探索中，光学超分辨率成像技术宛如一把钥匙，试图打开生物过程中亚衍射信息的神秘大门。结构光照明显微镜（SIM）凭借其在活细胞成像中的独特优势，如快速的成像速度、较低的光毒性等，成为该领域的热门之选。然而，传统的 SIM 重建方法基于复杂的频域工作流程或手工构建的分析模型，容易产生伪影，且在信号保留和噪声抑制之间难以平衡。近年来，基于深度学习的 SIM（DL-SIM）方法虽展现出优于传统方法的显著优势，如更高的保真度和更强的抗噪能力，但却面临着两个严峻的实际挑战：一方面，存在噪声时的 SIM 重建本质上是一个不适定的逆问题，给定一组原始图像往往存在许多潜在的超分辨率解，而当前的 DL-SIM 方法仅输出一个重建结果，未考虑其不适定性或超分辨率信息的正确性；另一方面，生物标本和结构千差万别，即便经验丰富的用户也难以判断输入图像是否与训练好的 DL-SIM 模型的知识一致性（KC）相符，而评估和量化 KC 规范对于 DL-SIM 模型的可靠应用至关重要，但此前尚未有人涉足。为了攻克这些难题，华中科技大学和清华大学的研究人员开展了相关研究，其成果发表在《Nature Communications》上，为超分辨率成像领域带来了新的曙光。
研究人员开发了用于 SIM 的贝叶斯深度学习（BayesDL）框架 ——BayesDL-SIM。该研究主要用到以下几个关键技术方法：一是构建贝叶斯神经网络（BNN），通过随机梯度朗之万动力学（SGLD）进行贝叶斯后验推理来量化认知不确定性（EpisU ）；二是将潜在的超分辨率流形建模为异方差高斯分布，同时估计高斯均值和标准差（STD）来量化偶然不确定性（AleaU ）；三是采用解耦训练（DeT）方案，先通过双域损失优化与 SIM 重建相关的参数，再冻结这些参数并用异方差损失进行 AleaU 学习；四是在推理阶段利用蒙特卡罗（MC）技术近似积分，通过采样生成多个推理样本。
发展 BayesDL-SIM
不同于当前 DL-SIM 方法使用确定性神经网络学习从原始图像到高质量真实 SIM（GT-SIM）图像的一对一映射，BayesDL-SIM 能够以最高精度推断超分辨率结构，同时推理 SIM 成像中的两种不确定性。通过将源于超分辨率不适定性的 AleaU 形式化为潜在 SIM 图像上的概率分布，将 EpisU 形式化为模型参数上的概率分布，推导出相关公式，并采用解耦训练方案避免异方差损失对重建质量的不利影响，成功开发出 BayesDL-SIM 框架。
BayesDL-SIM 实现准确的分布知情超分辨率成像
在各种荧光蛋白标记的亚细胞结构上，如网格蛋白包被小窝（CCPs）、微管（MTs）和 F - 肌动蛋白，BayesDL-SIM 展现出卓越的重建性能。与其他先进的 SIM 方法相比，它能更精确地重建复杂或微弱的结构，有效防止不良伪影的产生，在处理含噪原始数据时表现出更强的抗噪能力，且在峰值信噪比（PSNR）和图像分辨率等指标上均优于其他方法。此外，它还能量化每个像素的 AleaU ，通过模型校准验证其可靠性，并提供可信度图和强度可信区间（CI），为用户评估重建结果的可信度提供了有力工具。
BayesDL-SIM 警示因错误泛化导致的不可靠超分辨率成像
DL-SIM 模型在实际应用中，只有符合 KC 规范才能很好地推广到未见数据。然而，由于生物标本和光学系统的巨大多样性，模型误用风险高，而 DL-SIM 模型作为黑箱，其错误泛化通常只能事后用 GT-SIM 图像评估，实际中往往不可行。BayesDL-SIM 通过量化 EpisU 为这一挑战提供了有前途的解决方案。实验表明，当训练和推理中的亚细胞结构不匹配、荧光珠密度变化或空间采样率不同等导致知识不一致（KIC）时，BayesDL-SIM 能通过显著升高的 EpisU 识别出不可靠的超分辨率成像结果，提醒用户谨慎对待。
BayesDL 作为日常超分辨率成像的多功能工具
BayesDL 量化的不确定性在日常超分辨率成像中具有多种实用价值。与 SQUIRREL 等方法相比，其两种不确定性与真实超分辨率误差的相关性更高，可作为超分辨率成像误差的替代度量；AleaU 能反映原始数据中的超分辨率信息质量，用于指导优化成像参数以获取高质量数据；此外，BayesDL 框架还可扩展到其他超分辨率成像方法，如单图像超分辨率成像（SISR），并能有效检测基于生成对抗网络（GAN）的超分辨率成像中的幻觉问题。
BayesDL-SIM 实现活细胞中密集 F - 肌动蛋白的可靠可视化
凭借出色的超分辨率性能，BayesDL-SIM 被应用于活细胞标本的动态生物过程研究。在低光照条件下，它成功实现了对细胞粘附过程中 F - 肌动蛋白动力学的长达三小时的长期追踪，清晰观察到细胞骨架的重组。与其他 SIM 方法相比，它提高了密集肌动蛋白丝的重建保真度，能在三种常见的 KIC 场景中识别出不可靠结构，且在极端低信噪比条件下仍能分辨精细细节，实现多达 10,000 帧的可靠肌动蛋白动力学可视化，展现了其在活细胞超分辨率成像中的可靠性和优越性。
研究结论与讨论
本研究开发的 BayesDL-SIM 框架将神经网络的可扩展性和表达能力与贝叶斯学习的不确定性量化能力相结合，在不增加数据采集和准备负担的情况下，显著提高了 SIM 的保真度，同时量化了两种校准良好的不确定性，即 AleaU 和 EpisU ，增强了深度 SIM 模型的透明度，有助于防止不可靠的超分辨率成像结果。AleaU 和 EpisU 具有不同的用途，可分别用于评估预测的超分辨率分布和检测模型的错误泛化。此外，它们在日常超分辨率成像中还有多种实用功能，如作为超分辨率成像误差的替代度量、指导数据采集优化等。尽管 BayesDL-SIM 表现出色，但仍有改进空间，未来可探索将其与无监督或零样本学习技术相结合，以应对高质量 GT 数据难以获取的挑战。总之，BayesDL-SIM 为现代智能显微镜的算法后端提供了可靠的亚衍射信息，推动了 DL-SIM 模型的可靠应用，为基于深度学习的计算超分辨率显微镜的发展奠定了基础。
