【ZiDongHua之“自動化學(xué)院派”收錄關(guān)鍵詞：清華大學(xué)  自動化系 生命科學(xué)領(lǐng)域  圖像識別  模式識別】

 

　　紫冬學(xué)術(shù)|Nature Biotechnol：戴瓊海/喬暉/李棟合作開發(fā)置信度可量化的時序顯微圖像超分辨技術(shù)

 

　　高信噪比、高分辨率的顯微圖像總是蘊含著更豐富、更準(zhǔn)確的信息，幫助我們以更加精確的視角認知微觀世界。然而，受多種生物物理、生物化學(xué)、物理光學(xué)因素（如熒光標(biāo)記濃度、探針亮度、光毒性、光漂白、光子噪聲等）的限制，傳統(tǒng)超分辨顯微成像技術(shù)在提升空間分辨率的同時，往往會犧牲成像時程、速度等其他重要性能。針對這一問題，清華大學(xué)戴瓊海/李棟合作團隊曾于2021年提出傅里葉注意力超分辨方法（DFCAN）[1]，僅使用單張低分辨率圖像即可實現(xiàn)高保真超分辨預(yù)測。此后，多種單張顯微圖像超分辨（Single image super-resolution,SISR）模型被提出，用以拓展活體超分辨顯微成像的性能。然而，這些SISR模型在實際應(yīng)用于活體顯微成像實驗（通常表現(xiàn)為時序數(shù)據(jù)）時，往往存在兩個重要局限：第一，SISR模型無法捕捉相鄰幀之間的時間相關(guān)性，可能產(chǎn)生時間不一致的推理結(jié)果；第二，當(dāng)前SISR方法缺乏對輸出結(jié)果的準(zhǔn)確置信度評估，因而生物學(xué)家無法判斷其產(chǎn)生的結(jié)果是否可信。

 

 

　　針對上述局限，2025年1月29日，清華大學(xué)自動化系戴瓊海院士、喬暉副教授團隊聯(lián)合清華大學(xué)生命科學(xué)學(xué)院李棟團隊在Nature Biotechnology雜志以長文（Article）形式發(fā)表了題為“置信度可準(zhǔn)確量化的長時程超分辨活細胞成像神經(jīng)網(wǎng)絡(luò)”（A neural network for long-term super-resolution imaging of live cells with reliable confidence quantification）的研究論文。團隊利用自主開發(fā)的多模態(tài)結(jié)構(gòu)光照明超分辨顯微鏡（Multi-modality Structured Illumination Microscopy）構(gòu)建了高質(zhì)量的時序超分辨顯微圖像公開數(shù)據(jù)集BioTISR，并基于對現(xiàn)有時序圖像超分辨（Time-lapse image super-resolution,TISR）方法的系統(tǒng)測評，提出了可變形相空間校準(zhǔn)機制（Deformable phase-space alignment,DPA）及相應(yīng)的TISR模型（DPA-TISR），該模型可對低信噪比、低分辨率的時序圖像進行高保真度超分辨重建，將多色活體超分辨成像時程拓展30倍以上、延長至上萬時間點；進一步地，團隊將貝葉斯學(xué)習(xí)與DPA-TISR結(jié)合，提出了貝葉斯時序圖像超分辨神經(jīng)網(wǎng)絡(luò)（Bayesian DPA-TISR），并設(shè)計了一種期望校正誤差（Expected calibration error,ECE）最小化方法，從而對DPA-TISR的輸出結(jié)果進行準(zhǔn)確的置信度評估，幫助生物學(xué)家進行更可信的定量研究。

 

 

　　圖1.相空間時序圖像校準(zhǔn)機制示意圖

 

　　研究團隊首先構(gòu)建了一個大規(guī)模、高質(zhì)量的時序超分辨圖像數(shù)據(jù)集BioTISR，并利用這一數(shù)據(jù)集對TISR方法的兩個關(guān)鍵組成部分，即傳播機制（propagation）和校準(zhǔn)機制（alignment）進行了全面、系統(tǒng)的測評。測評結(jié)果表明，現(xiàn)有方法中最先進的可變形卷積校準(zhǔn)機制依然無法合理捕捉相鄰幀中生物結(jié)構(gòu)的全局、大幅位移，導(dǎo)致整體超分辨重建并不理想。針對這一問題，團隊設(shè)計了一種以相空間校準(zhǔn)（如圖1所示）為基礎(chǔ)的時間序列圖像超分辨神經(jīng)網(wǎng)絡(luò)模型DPA-TISR，該模型能夠在相位域中自適應(yīng)地增強跨幀對齊能力，并且實現(xiàn)了當(dāng)前最優(yōu)的TISR性能。BioTISR數(shù)據(jù)集與DPA-TISR模型共同為超分辨顯微成像領(lǐng)域建立了一個時序顯微圖像超分辨模型的平臺（benchmark）與基準(zhǔn)（baseline），將進一步推動AI社區(qū)與光學(xué)顯微成像領(lǐng)域的深度融合與交叉創(chuàng)新。

 

 

　　圖2.溶酶體與線粒體長時程相互作用

 

　　傳統(tǒng)超分辨技術(shù)受光毒性與光漂白制約，在多色活體超分辨成像實驗（如線粒體、溶酶體雙色超分辨觀測）中往往僅能持續(xù)數(shù)十到數(shù)百個時間點[2]。借助DPA-TISR，研究團隊在活體COS-7細胞中以高時空分辨率記錄線粒體、溶酶體互作與動態(tài)過程長達10000幀以上（如圖2所示），比傳統(tǒng)超分辨成像技術(shù)多兩個數(shù)量級。拓展的成像時間窗口大幅提升了觀測到罕見、乃至前所未見生物行為的概率，例如，研究團隊觀測到了線粒體（青色）受溶酶體（黃色）牽引移動的“搭便車”新現(xiàn)象。

 

　　在DPA-TISR模型的基礎(chǔ)上，研究團隊針對圖像超分辨神經(jīng)網(wǎng)絡(luò)的不確定性與置信度未知難題，引入了貝葉斯學(xué)習(xí)與蒙特卡洛隨機丟棄策略，提出了貝葉斯時序圖像超分辨神經(jīng)網(wǎng)絡(luò)（Bayesian DPA-TISR）（如圖3所示），并針對貝葉斯學(xué)習(xí)常見的“過度自信”問題，設(shè)計了一種期望校正誤差最小化方法，通過迭代線性搜索和二項式擬合對神經(jīng)網(wǎng)絡(luò)進行微調(diào)，使得所預(yù)測的置信度圖與實際誤差盡可能匹配，從而將模型期望校正誤差降低5倍以上，可靠地指示模型潛在的推理錯誤。

 

　　Bayesian DPA-TISR準(zhǔn)確的置信度量化能力可以助力更加嚴謹?shù)纳茖W(xué)研究。例如，過氧化物酶體（PO）是一種頻繁與線粒體接觸以調(diào)節(jié)細胞活性氧代謝的功能性細胞器，然而受限于觀測手段，線粒體-過氧化物酶體相互作用的類型和比例至今未被系統(tǒng)研究。借助DPA-TISR的高速、長時程、超分辨成像能力，研究團隊能夠清晰地分辨出兩種細胞器空間關(guān)系與互作機制（如圖4所示），進而發(fā)現(xiàn)幾乎一半PO從未與線粒體發(fā)生接觸，同時另一半曾與線粒體互作的PO可以分為三類：17%的PO與單個線粒體的接觸位點穩(wěn)定關(guān)聯(lián)；8%的PO同時連接兩個或更多的線粒體，充當(dāng)橋梁的作用；11%的PO隨機地改變其與線粒體的接觸位點，充當(dāng)細胞內(nèi)信使的角色。特別地，最后7%的PO類型被劃分為不確定，因為Bayesian DPA-TISR警示圖像在該區(qū)域的置信度過低，無法進行可信的行為分類。這一研究表明，Bayesian DPA-TISR可以為超長時程活細胞超分辨成像以及置信度可量化的生物分析提供全新的技術(shù)路徑和廣泛的應(yīng)用基礎(chǔ)。

 

　　清華大學(xué)自動化系博士后喬暢、博士生劉書然、徐聞聰、清華大學(xué)信息科學(xué)與技術(shù)國家研究中心副研究員王玉旺為該文章共同第一作者。清華大學(xué)自動化系、清華大學(xué)信息科學(xué)與技術(shù)國家研究中心、腦與認知科學(xué)研究院、清華-IDG/麥戈文腦科學(xué)研究院戴瓊海教授、喬暉副教授、清華大學(xué)生命科學(xué)學(xué)院李棟教授為本文的共同通訊作者。

 

　　[1]Qiao,C.et al.Evaluation and development of deep neural networks for image super-resolution in optical microscopy.Nat.Methods 18,194–202(2021).

 

　　[2]Guo,Y.et al.Visualizing Intracellular Organelle and Cytoskeletal Interactions at Nanoscale Resolution on Millisecond Timescales.Cell 175,1430-1442 e1417(2018).