O aprendizado profundo permite a referência

Nature Communications volume 13, Número do artigo: 3297 (2022) Citar este artigo

7567 acessos

5 Citações

37 Altmétrica

Detalhes das métricas

A imagem volumétrica por microscopia de fluorescência é frequentemente limitada pela resolução espacial anisotrópica, na qual a resolução axial é inferior à resolução lateral. Para resolver esse problema, apresentamos uma técnica de super-resolução não supervisionada habilitada para aprendizado profundo que aprimora imagens anisotrópicas em microscopia de fluorescência volumétrica. Em contraste com as abordagens de aprendizado profundo existentes que exigem imagens de alvo de alta resolução combinadas, nosso método reduz muito o esforço a ser colocado em prática, pois o treinamento de uma rede requer apenas uma única pilha de imagens 3D, sem conhecimento a priori da formação da imagem processo, registro de dados de treinamento ou aquisição separada de dados de alvo. Isso é obtido com base na rede adversária generativa consistente de ciclo orientada a transporte ideal que aprende a partir de uma correspondência não pareada entre imagens 2D de alta resolução no plano de imagem lateral e imagens 2D de baixa resolução em outros planos. Usando microscopia confocal de fluorescência e microscopia de folha de luz, demonstramos que a rede treinada não apenas aumenta a resolução axial, mas também restaura detalhes visuais suprimidos entre os planos de imagem e remove artefatos de imagem.

Imagens de fluorescência tridimensionais (3D) revelam informações estruturais importantes sobre uma amostra biológica que normalmente não podem ser obtidas de uma imagem bidimensional (2D). Avanços recentes em métodos de limpeza de tecidos1,2,3,4,5 e microscopia de fluorescência de folha de luz (LSFM)6,7,8,9 permitiram a visualização 3D simplificada de tecido biológico em uma escala e velocidade sem precedentes, às vezes até em detalhes mais finos detalhes. No entanto, a resolução espacial na microscopia de fluorescência 3D ainda está longe da perfeição; uma resolução isotrópica permanece difícil de alcançar.

A anisotropia na microscopia de fluorescência geralmente se refere a mais desfoque no plano de imagem axial. Esse desequilíbrio espacial nas resoluções pode ser atribuído a muitos fatores, incluindo difração de luz, subamostragem axial e o grau de correção de aberrações. Mesmo para microscopia de super-resolução10, que em essência ultrapassa os limites de difração de luz, como microscopia de iluminação estrutural 3D (3D-SIM)11,12 ou microscopia de depleção por emissão estimulada (STED)13, combinar a resolução axial com a resolução lateral continua sendo um problema desafio14. Enquanto LSFM, onde o caminho de excitação de fluorescência não se alinha necessariamente com o caminho de detecção, fornece um aprimoramento substancial para a resolução axial9, uma função de dispersão de ponto verdadeiramente isotrópica (PSF) é difícil de alcançar para a maioria das técnicas contemporâneas de microscopia de folha de luz, e a resolução axial costuma ser 2 ou 3 vezes pior que a resolução lateral15,16,17.

Nos últimos anos de restauração de imagens em microscopia de fluorescência, o aprendizado profundo surgiu como uma abordagem alternativa baseada em dados para substituir os algoritmos clássicos de deconvolução. O aprendizado profundo tem a vantagem de capturar a complexidade estatística de um mapeamento de imagem e permitir a transformação de imagem de ponta a ponta sem precisar ajustar meticulosamente os parâmetros manualmente. Alguns exemplos incluem melhorar a resolução em diferentes modalidades de imagem e tamanhos de abertura numérica18, em direção à isotropia19,20 ou menos ruído19. Embora esses métodos forneçam algum nível de flexibilidade na operação de microscopia, esses métodos baseados em aprendizado profundo devem assumir algum conhecimento de um domínio de dados de destino para o treinamento da rede. Por exemplo, para reconstrução isotrópica, Weigert e cols.19,20. usou uma estratégia de aprendizado supervisionado de emparelhar imagens laterais de alta resolução com imagens axiais de baixa resolução que foram desfocadas com um modelo PSF explícito. Zhang e cols.21. implementou uma técnica de super-resolução baseada em GAN com um modelo de degradação de imagem retirado do microscópio. Em ambos os casos, o processo de degradação da imagem não pode ser aprendido dinamicamente, e tal suposição de um processo fixo de degradação da imagem requer o sucesso da restauração da imagem para contar com a precisão dos anteriores e adiciona outra camada de operação aos microscopistas. Além disso, se a suposição inicial da degradação da imagem não for correta, o desempenho em um conjunto de dados do mundo real pode ser limitado. Especialmente para imagens de fluorescência volumétrica de alto rendimento, as condições de imagem estão frequentemente sujeitas a flutuações e as características visuais das amostras são consideradas diversas. Consequentemente, a suposição uniforme de informações prévias em uma imagem de grande escala pode resultar em superajuste do modelo treinado e exacerbar o desempenho e a confiabilidade da restauração da imagem.