“`markdown
AI赋能无标记成像：韩国团队突破传统显微镜技术瓶颈
首尔讯 – 生命科学和生物医学领域长期依赖共聚焦荧光显微镜（CFM）实现高分辨率成像。然而，传统的荧光染色方法不仅耗时，还可能对细胞造成光损伤，并影响定量分析的准确性。近日，韩国浦项科技大学（POSTECH）的研究团队另辟蹊径，利用人工智能技术，开发出一种全新的无标记成像显微镜，有望彻底改变细胞生物学研究的方式。
该团队的研究成果于2024年12月30日发表在《自然·通讯》（Nature Communications）杂志上，题为“基于可解释深度学习的无监督域间转换，用于虚拟染色高分辨率中红外光声显微镜”。
传统显微镜的局限与AI的机遇
共聚焦荧光显微镜（CFM）通过荧光染料标记特定生物分子，从而实现高分辨率成像。然而，这种方法存在诸多问题：
- 耗时且具破坏性： 荧光染色过程繁琐耗时，且可能导致光漂白和光毒性，影响细胞的正常生理状态。
- 定量分析困难： 荧光信号的强度受成像条件和样品状态的影响，难以进行准确的定量分析。
为了克服这些局限性，研究人员开始探索无标记成像技术。中红外光声显微镜（MIR-PAM）是一种很有前景的无标记成像方法，它可以通过检测分子对中红外光的吸收来获取生物化学信息。然而，由于中红外光的波长较长，MIR-PAM的空间分辨率远低于CFM。
XDL-MIR-PAM：AI赋能的无标记高分辨率成像
韩国浦项科技大学的研究团队巧妙地利用深度学习技术，将低分辨率的MIR-PAM图像转换为高分辨率的、类似共聚焦荧光染色的图像。他们开发了一种名为XDL-MIR-PAM的系统，该系统结合了MIR-PAM的无标记特性和深度学习的高分辨率重建能力。
XDL-MIR-PAM的核心是一种基于无监督生成对抗网络（GAN）的域间转换模型。该模型能够学习MIR-PAM图像和虚拟荧光染色图像之间的映射关系，从而将低分辨率的MIR-PAM图像转换为高分辨率的虚拟染色图像。
为了提高转换的稳定性和可靠性，研究团队还引入了显著性约束。该约束确保了两个域之间的相似显著性，使得转换过程更加可解释。
技术细节：深度学习框架与训练策略
XDL-MIR-PAM系统由两个主要组成部分构成：
- 图像分辨率增强网络（IREN）： 将低分辨率（LR）图像转换为高分辨率（HR）图像。
- 虚拟荧光染色网络（VFSN）： 将未标记的强度图像转换为虚拟染色（VS）图像。
研究团队采用无监督域间转换（UIDT）的工作流程，即使图像集未配对，这些网络也能分别将LR图像转换为HR图像，并将未标记的强度图像转换为虚拟染色VS图像。
为了训练深度学习模型，研究团队将全玻片图像随机分成大约900个256 × 256像素的图块，从而创建训练数据集。这种小尺寸的输入可以加快训练过程并降低内存需求。
实验验证：XDL-MIR-PAM的性能与应用
研究团队通过实验验证了XDL-MIR-PAM的性能。他们使用XDL-MIR-PAM对人成纤维细胞（HCF）图像进行成像，并分析了细胞核的数量、大小和纵横比等生物学特征。结果表明，XDL-MIR-PAM能够以更高的对比度呈现更多的结构，这归功于MIR-PAM更大的景深。
此外，研究团队还发现，通过监控注意力模式，可以识别模型在训练过程中注意力不集中的潜在问题，从而优化模型性能和泛化性。
未来展望：细胞生物学研究的新蓝图
XDL-MIR-PAM的成功开发为细胞生物学研究开辟了新的道路。它不仅可以实现无标记高分辨率双重光声成像，还可以扩展到各种成像模式和标记方案，为生物研究提供更稳定、更可靠的成像解决方案。
研究团队坚信，XDL-MIR-PAM将为细胞生物学研究提供新的蓝图，并促进相关领域的发展。
参考文献：
- Unsupervised inter-domain transformation for virtually stained high-resolution mid-infrared photoacoustic microscopy using explainable deep learning. Nature Communications, 2024.
代码链接：
Views: 0