作為生物研究領(lǐng)域中不可缺少的重要工具,熒光顯微鏡具有高對比度、高分辨率、蛋白分子特異性成像的特點(diǎn),使生物特定結構和功能的研究得以實(shí)現。
隨著(zhù)熒光顯微鏡技術(shù)的不斷發(fā)展,它們的成像性能變得更加優(yōu)越,能夠快速地獲取更多更高分辨率的圖像,有時(shí)候只需點(diǎn)擊一個(gè)“開(kāi)始”的按鍵,就能采集GB級別,甚至TB級別的圖像數據。與此同時(shí),研究人員發(fā)現自己面臨著(zhù)一個(gè)新的挑戰——他們沒(méi)有足夠的時(shí)間去處理他們所擁有的數據。
2020年6月,浙江大學(xué)和美國國立衛生研究院(NIH)聯(lián)合在Nature Biotechnology在線(xiàn)發(fā)表題為Rapid image deconvolution and multiview fusion for optical microscopy的研究論文,提出了熒光顯微鏡圖像去卷積和多視角圖像融合的新技術(shù),使熒光顯微鏡圖像后處理的效率提高了數十甚至上千倍。
對于這些新型的顯微鏡,比如反射式diSPIM和反射式格欄光片顯微鏡(latticelight-sheet) 等具有空間變化的點(diǎn)擴展函數,雖然維納-巴特沃斯反投影算子能夠獲得10-15倍的迭代加速,但是去卷積的時(shí)間仍然超過(guò)了圖像采集時(shí)間。為了進(jìn)一步加速圖像復原,研究團隊探索了深度學(xué)習網(wǎng)絡(luò )的應用,并設計了一種基于3D全卷積結構的網(wǎng)絡(luò )模型DenseDeconNet。
NIH的Hari Shroff博士組織協(xié)調了20多個(gè)研究單位共同參與上述優(yōu)化算法的應用研究,對單細胞、秀麗隱桿線(xiàn)蟲(chóng)胚胎、斑馬魚(yú)胚胎、小鼠組織等尺寸由微米級至毫米級的大量數據進(jìn)行效果驗證,涉及包括共聚焦顯微鏡、結構光照明顯微鏡、多視角光片顯微鏡、新型的雙視角組織透明光片顯微鏡和格欄光片顯微鏡等七種不同類(lèi)型的顯微鏡,實(shí)現了幾十至上千倍的圖像后處理加速。毫無(wú)疑問(wèn),這些優(yōu)化算法可以加速基于圖像的生物觀(guān)察,為現代新型熒光顯微鏡的研究提供了更多可能。團隊的后續工作包括實(shí)現更快的大數據讀取、存儲、并行處理和三維可視化,以及構建更加有效、通用的去卷積人工神經(jīng)網(wǎng)絡(luò )。
文章來(lái)源: BioArt 論文原文可通過(guò)以下鏈接查看: https://www.xianjichina.com/special/detail_449863.html
相關(guān)文章閱讀推薦: