深度学习革新活细胞纳米荧光成像

将深度学习与 RESOLFT 成像相结合，开发出 Hierarchical DivNoising（HDN）分层降噪网络和 Fast‑MoNaLISA 稀疏采样重建框架，用于恢复低信噪比或欠采样图像，极大拓展了 RESOLFT 成像的实验极限。借助 HDN 网络，单帧图像的光剂量可减少 10 倍，延时成像总时长最高可延长 5 倍；借助 Fast-MoNaLISA 框架，成像帧率在 25% 采样条件下最高可实现 4 倍增长。相关成果发表于 Nature Communications。

本研究聚焦于 RESOLFT 技术，基础方法采用 MoNaLISA 实现方案，利用深度学习恢复信噪比较低的图像或采样欠缺的图像，以此突破传统 RESOLFT 方法的局限。其逻辑是利用图像去噪技术降低成像所需的光照剂量，构建恢复稀疏采样采集数据的计算框架，通过计算上采样提升时间分辨率。ON-switching 光强决定被激活的 rsFP 数量，进而控制采集信号强度。传统方案通常激活 80%-90% 的 rsFP，以最大化信噪比；而本研究提出相反的策略，仅激活 10%-20% 的 rsFP，获取低信噪比图像，再通过深度学习去噪重建高质量图像。这不仅可以最大限度减少光漂白，还能缓解因 ON-switching 用短波（通常为 405 nm）而产生的光毒性问题。