用于荧光显微镜超分辨率成像的结构增强自适应特征蒸馏网络

《Optics & Laser Technology》：Structure-enhanced adaptive feature distillation network for fluorescence microscopy super-resolution

　　

• •
  提出了一种以结构为中心的SEAFD-Net，用于低信噪比条件下的荧光显微镜超分辨率重建。
• •
  SEAFD-Net将结构感知增强与自适应层次特征聚合相结合。
• •
  多尺度结构增强模块优先增强与生物学相关的结构响应。
• •
  原型引导的自适应特征蒸馏融合模块对各层次互补特征进行重新加权与聚合。
• •
  大量实验表明该方法具有优越的结构保真度、有效的分辨率恢复能力和生物学适用性。

引言

荧光显微镜是可视化亚细胞结构和动态生物过程的基本工具 [1], [31]。通过对特定生物分子进行标记，它能够实现内质网（ER）、微管（MTs）和囊泡结构等细胞器的高对比度成像。然而，其成像性能在时间-空间分辨率、采集时间和光毒性之间存在根本性的权衡限制 [14], [34]。超分辨率（SR）成像通常需要更强的光照或更长的曝光时间，这在活细胞场景中可能引发光损伤和运动模糊。相反，缩短曝光时间会导致低信噪比（SNR），严重降低结构的可见度和下游分析的可靠性。

为缓解这些局限性，基于深度学习的单图像超分辨率（SISR）方法已被广泛研究 [20], [25], [27]。虽然基于卷积和Transformer的模型在自然图像修复中表现出强大的能力 [2], [4], [19]，但它们往往难以推广到荧光显微镜领域，尤其是在低信噪比条件下，此时结构信号与噪声高度纠缠。因此，现有方法经常出现过度平滑的重建结果或虚假的高频伪影。

更根本地讲，由于以下三个关键问题，保真的荧光显微镜重建仍然具有挑战性。第一，低信噪比观测严重纠缠了结构信号和随机噪声，使得网络难以在不增强背景或干扰响应的同时优先恢复微弱的生物结构，从而导致过度平滑或伪影放大。第二，微管（MTs）和内质网（ER）等亚细胞结构表现出强连续性和形态学约束，而现有网络主要依赖于强度驱动的特征建模，往往对细生物结构的连续性和形态给予不足的关注，导致重建结果断裂或过度平滑。第三，从不同网络深度提取的层次特征包含互补信息，然而大多数现有方法采用简单的特征融合策略，如直接拼接或最后一层选择，无法有效利用多尺度结构表示。

为解决这些挑战，我们提出了一种结构增强自适应特征蒸馏网络（SEAFD-Net）用于荧光显微镜超分辨率。所提框架逐步增强与结构相关的表示，并自适应聚合互补的层次特征，以在低信噪比条件下提高结构保真度。具体而言，我们设计了一个多尺度结构增强（MSSE）模块，该模块引入了结构感知注意力机制，在复杂背景下跨多个感受野优先增强与结构相关的响应。此外，我们提出了一个自适应特征蒸馏融合（AFDF）模块，该模块利用可学习的结构原型，根据原型相似度自适应地重新加权并聚合互补的层次表示，从而在融合过程中降低信息量较少特征的相对贡献。

在覆盖内质网（ER）、包被小窝（CCPs）和微管（MTs）等代表性结构的BioSR基准上的大量实验表明，所提方法在重建保真度和结构保留方面始终优于当前最先进的方法。此外，在不同真实信噪比条件下的鲁棒性评估确认了其在极低信噪比环境中的稳定性。活细胞荧光成像实验进一步验证了其恢复具有生物学意义的动态结构的泛化能力。

本文的主要贡献总结如下：

• 1.
  我们提出了SEAFD-Net，一种以结构为中心的荧光显微镜超分辨率框架，将超分辨率重构为结构感知增强与自适应层次特征聚合的联合过程。
• 2.
  我们引入了MSSE模块，在复杂的低信噪比背景下跨多个感受野优先增强精细结构相关响应。
• 3.
  我们设计了AFDF模块，利用可学习的潜在原型引导自适应的跨层加权和层次特征聚合。
• 4.
  我们在固定细胞和活细胞荧光显微镜数据集上展示了SEAFD-Net的有效性，实现了优越的结构保真度、分辨率恢复、低信噪比鲁棒性以及具有生物学意义的活细胞重建。

章节摘要

单图像超分辨率

单图像超分辨率（SISR）旨在从单个低分辨率观测中重建超分辨率图像，在计算机视觉领域已被广泛研究 [6], [13], [15]。早期的深度学习方法主要依赖卷积神经网络（CNNs）。例如，SRCNN [5] 开创了超分辨率的端到端学习，随后EDSR [18] 通过移除批归一化层提升了性能。RCAN [36] 通过引入通道注意力机制进一步增强了特征表示。

更多

动机

与自然图像相比，荧光显微镜图像的超分辨率面临根本不同的挑战。目标结构（如微管、内质网和囊泡成分）通常细薄、连续且对拓扑完整性高度敏感。同时，由于曝光时间和光照强度的限制，获取的低分辨率（LR）观测常常受到低信噪比和非均匀背景干扰的严重退化。这导致了一个关键挑战：微弱的

数据集

为在多样化结构模式和成像条件下全面评估所提方法，实验在固定细胞和活细胞荧光显微镜数据集上进行。对于固定细胞评估，我们采用了BioSR数据集，该数据集提供了涵盖多种亚细胞结构的宽场（WF）和SIM图像配对数据。在本工作中，我们关注三种代表性结构：内质网、包被小窝和微管。这些结构表现出不同的形态特征：内质网

结论

在本工作中，我们提出了一种结构增强自适应特征蒸馏网络（SEAFD-Net）用于荧光显微镜超分辨率，旨在解决一个根本性挑战：在低信噪比和复杂背景条件下准确重建精细的亚细胞结构。为此，我们开发了一个以结构为中心的框架，将结构相关特征增强与自适应层次特征聚合相结合。具体而言，所提MSSE模块引入了结构感知

CRediT作者贡献声明

Peishan Dai： 撰写 – 原稿撰写、软件、方法论、调查研究、数据管理。Shuyu Guo： 撰写 – 原稿撰写、可视化、软件、资源、方法论、调查研究、数据管理。Congmin Ren： 撰写 – 原稿撰写、验证、监督、软件、形式化分析。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。

致谢

本工作由国家自然科学基金（编号：82372039）资助。

Peishan Dai|Shuyu Guo|Congmin Ren