科学家让活细胞成像既全又清

北京大学未来技术学院的席鹏教授领导的团队，成功解决了AI辅助荧光成像在观察活细胞时面临的“管中窥豹”困境。他们开发了一种名为LargePNet的大视野通用型荧光成像复原网络，使AI能够全面理解图像后再进行修复。

席鹏解释道，传统显微镜观察活细胞时存在一个两难：为了看清需要高强度光照，但强光会损伤细胞，限制了长时间观测。近年来，深度学习技术能够从低光照、模糊的图像中重建出高清晰度的画面，大幅降低了光照需求，延长了观测时间。然而，以往的AI模型多沿用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，这种方式如同让AI通过“碎片化”的照片学习摄影，每块图像包含的信息量极其有限。

他进一步阐述，自然图像内容丰富，小块之间差异明显，适合进行切图训练。但荧光成像不同，荧光染料特异性标记的细胞器，在小视野下呈现的往往是重复的细线结构。区分“结构”与“噪声”的关键信息，实际上蕴藏在更大尺度的全局关联之中。因此，经过“碎照片”训练的AI，在处理完整大图时，常因缺乏全局认知而导致保真度不足和抗噪能力较差，因为它从未“见过整只豹子”。席鹏指出，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。AI模型如果只接触过碎片，就丧失了理解这种全局结构的能力。

团队巧妙地提出了LargePNet这一全新的通用型荧光成像复原网络。其核心理念是通过直接使用大于512×512像素的大视野图像来训练AI，使模型在训练阶段就能完整学习细胞结构的上下文关联和全局统计信息，从而摆脱了切图训练的局限。然而，直接处理大图像会遇到两个挑战：一是如何构建足够大的“感受野”让AI理解全局结构；二是如何控制大视野图像的处理计算量，避免GPU内存溢出。为此，团队设计了LargePNet，一个能够融合全局“骨架”与局部“细节”的高效网络，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：在降噪、去模糊等八项涉及不同显微模态的典型任务中，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，大图推理效率提高了4至20倍。基于此技术，团队成功实现了长达30小时、分辨率达200纳米的活细胞亚细胞器动态成像，稳定捕捉了细胞骨架的动态变化。此外，还能在同一画面中清晰呈现内质网、线粒体和微管这三种细胞器的相互作用。

更重要的是，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差异越大时，LargePNet相较于传统小图训练网络展现出的复原优势越明显。席鹏表示，这意味着研究人员可以根据自身数据的特点，判断何时更适合使用这套具备“大局观”的模型。目前，该团队已将所有Python源代码、训练数据和模型全部开源，供全球同行免费使用。