近日，重点实验室的生物医学光子学研究中心在光学权威期刊《PhotoniX》（JCR一区TOP期刊，影响因子：19.818）上发表题为“Enhancing image resolution of confocal fluorescence microscopy with deep learning”的研究论文，提出了利用深度学习提高共聚焦显微图像分辨率的新策略，可用于多种生物结构及活细胞微管的超分辨成像。黄博懿硕士和李佳讲师为该论文的第一作者，屈军乐教授和严伟副教授为该论文的通讯作者，深圳大学为第一完成单位。

传统超分辨荧光显微成像技术受限于特殊的荧光团、复杂的光学系统、较长的采集时间和计算处理时间，以及成像过程中的光损伤和光漂白，阻碍了超分辨荧光显微技术在长期活细胞成像中的广泛应用。为了克服这些限制，需要开发新的方法，提高图像分辨率的同时又可以最小化其缺点，课题组构建生成对抗式网络结构通过学习空域和频域中的信息表示来实现图像分辨率增强，该方法既不需要特殊的仪器设备也不需要特殊的荧光团，而且不限制图像的像素大小和成像模式。

图1. 网络结构。(a) 生成器的网络结构。 (b) 鉴别器的网络结构。

        课题组构建的生成对抗式网络结构，由生成器和鉴别器两部分构成，并使用同一视图的低分辨率图像（共聚焦显微图像）和高分辨率图像（受激发射损耗显微图像）作为训练数据，通过学习空域和频域中的特征信息表示，可以将衍射受限的低分辨率图像精确地映射到超分辨图像，同时还对输入图像的像素大小进行上采样/下采样，以匹配训练数据的像素大小，从而能够在各种视野条件下获得超分辨图像。这一方法在不同的生物结构和肌动蛋白-微管的双色共聚焦图像上得到了验证，与传统超分辨成像技术相比，可以得到更高的信噪比和更好的图像质量；更重要的是，这一方法仅需要静态图像训练，即可实现长时间活细胞成像，以更精细的结构和更高的分辨率观察微管的动态变化，从而有效地减少了传统受激发射损耗超分辨显微技术的光漂白和光毒性。

图2. 对荧光珠、细胞核和微管三种不同结构进行图像分辨率增强，共聚焦图像作输入，网络输出超分辨图像，受激发射损耗超分辨图像作对比。

图3. 对活细胞微管进行超分辨成像。(a) 左上：网络输出图像；右下： 受激发射损耗超分辨图像作对比。(b, d) 四个时间点的受激发射损耗超分辨图像。(c, e) 四个时间点的网络输出图像。(f) 共聚焦显微图像。(g) 网络输出的活细胞微管超分辨图像。(h, j) 五个时间点的共聚焦图像。(i, k) 五个时间点的网络输出图像。

研究团队提出的基于深度学习的共聚焦显微图像增强新策略，不但为超分辨成像技术提供了新思路和新方法，极大地减小了成像条件对超分辨技术实际应用的影响，有助于长时间动态成像对活细胞进行研究，还可以用于改善其他类型的显微图像的分辨率。

该研究得到了国家重点研发计划重点专项和国家自然科学基金项目的支持。

论文原文链接：https://doi.org/10.1186/s43074-022-00077-x