科学家让活细胞成像既全又清

北京大学未来技术学院席鹏教授的团队开发出一种名为LargePNet的新型荧光成像复原网络，解决了当前AI辅助荧光成像中“管中窥豹”的局限。这项技术使AI能够“通观全局”后再进行图像复原，克服了以往AI模型在处理大尺寸图像时依赖切分小块进行训练导致信息丢失的问题。

席鹏解释说，传统的显微观察活细胞技术存在一个两难：提高清晰度需要强光照射，但这会损害细胞，限制了长时间观测。近年来，深度学习技术通过从低光照、模糊的图像中重建高清画面，显著降低了光照强度，使得更长时间的生命过程观测成为可能。然而，过去的研究普遍忽视了一个关键问题：大多数AI模型沿用了处理自然图像的方法，将大于512×512像素的大图分割成小块（如64×64或128×128像素）进行训练。这种方式就好比让AI通过“碎照片”学习摄影，每块小图携带的信息量极其有限。

席鹏进一步阐述，自然图像内容丰富，不同小块之间差异显著，适合切图训练。但荧光成像不同，荧光染料特异性标记的细胞器在小视野下往往呈现重复的细线结构。区分“结构”与“噪声”的关键信息，实际上蕴藏在大尺度的全局关联之中。使用“碎照片”训练的AI，在处理完整大图时，由于缺乏全局认知，常常表现出保真度不足和抗噪性差的问题，因为它从未学习过“整只豹子”的形态。在荧光图像中，大视野范围内的生物结构存在长程关联，例如一根微管蛋白纤维可能贯穿整个图像。当AI模型只见过碎片，它就丧失了理解这种全局结构的能力，这与在足球世界杯比赛中只看到局部球员而无法理解整体战术类似。

该团队的创新思路在于提出了LargePNet，一种全新的通用型荧光成像复原网络。其核心理念非常直接：不再切割小图，而是直接使用大于512×512像素的大视野图像来训练AI。这样，模型在训练阶段就能完整地学习细胞结构的上下文关联和全局统计信息。然而，直接将大图输入传统神经网络会遇到两个挑战：一是如何建立足够大的“感受野”让AI理解全局结构；二是如何控制大视野图像的计算量，避免GPU内存溢出。为此，团队构建了LargePNet，一个能够高效处理大视野图像的通用型荧光成像复原网络，通过融合全局“骨架”与局部“细节”，实现了既能全面观察又能清晰成像的目标。

这项技术的应用效果显著。在涉及不同显微模态的降噪和去模糊等八项典型任务中，LargePNet相比当前最先进的复原网络，峰值信噪比提升了0.5至2分贝，大图推理效率则提高了4至20倍。借助这一技术，团队成功实现了长达30小时、分辨率达到200纳米的活细胞亚细胞器动态成像，稳定捕捉到了细胞骨架的动态变化。此外，还能在同一画面中清晰展现内质网、线粒体和微管三种细胞器的相互作用。

更重要的是，该团队还提供了“适用范围说明书”。他们发现，当小图块与大视图的统计信息偏差越大时，LargePNet相对于传统小图训练网络的复原优势就越明显。这意味着研究人员可以根据自身数据的特点，判断何时采用这套具有“大局观”的模型更为合适。目前，该团队已将全部Python源码、训练数据和模型开源，供全球同行免费使用。