MicroSplit：荧光显微镜数据的语义解混

荧光显微镜受限于光学极限、荧光团化学性质和有限的光子预算，在成像速度、分辨率和光毒性之间存在权衡。在此，研究人员介绍了MicroSplit，这是一种基于深度学习的计算复用方法，能够单荧光通道同时成像多种细胞结构并进行计算解混。研究表明，MicroSplit可将多达四个叠加的噪声结构分离为不同的去噪图像通道，从而实现更快且光子效率更高的成像。该方法基于变分分裂编码器-解码器（Variational Splitting Encoder-Decoder）网络构建，通过对解空间建模，允许进行不确定性感知的预测，并根据后验变异性估计空间分辨率的预测误差。研究人员展示了该方法在不同数据集、噪声水平和成像条件下的鲁棒性能，并证明MicroSplit在降低光子暴露的同时改善了下游分析。所有方法、数据和训练模型均作为开放资源发布，以便在生物成像中立即采用计算复用技术。

论文解读：MicroSplit——突破荧光显微成像极限的计算复用技术

研究背景与意义

荧光显微镜是探索细胞、组织和生物体结构动态的核心工具。然而，传统的多路复用采集技术受限于荧光团激发光谱的重叠，导致串扰和渗漏，限制了可同时使用荧光标记的数量。此外，多通道的顺序采集需要多次曝光，不仅消耗了有限的光子预算，还降低了活细胞成像的时间分辨率。尽管内容感知去噪方法可以缓解低光子带来的噪声问题，但无法从根本上解决通道间的信息混淆。为此，研究人员开发了MicroSplit方法，旨在通过计算手段实现单通道内的多结构成像，从而突破现有显微成像在速度、分辨率和光毒性之间的固有权衡。该研究成果发表于《Nature Methods》，为生物成像领域提供了全新的解决方案。

关键技术方法

本研究采用了三种训练模式（Training Mode I, II, IIb）来适应不同的数据获取场景，并利用变分分裂编码器-解码器（VSE）网络架构。关键技术包括：利用侧向上下文（Lateral Contextualization, LC）输入以扩大感受野；结合监督与非监督学习分别实现结构解混与去噪；通过后验采样评估数据不确定性及校准网络预测误差。研究使用了十个公开的显微数据集，涵盖2D和3D成像，包括HT-P23A/B、Pavia-P23、HT-H24、HT-T24、HT-LIF24、Chicago-Sch23及HHMI-D25等，涉及固定与活细胞样本。

研究结果

训练模式与所需训练数据

研究人员定义了三种训练模式以适应不同实验条件。训练模式I利用传统多路复用数据作为目标，通过像素求和生成混合输入；训练模式II则针对缺乏共定位样本的情况，将不同样本的单结构图像进行组合；训练模式III直接在显微镜下获取叠加通道作为输入。实验表明，这些模式在各种噪声水平和成像条件下均能确保稳健的性能。

MicroSplit产生高质量的解混结构

通过对30个2D任务和6个3D语义解混任务的评估，研究人员发现MicroSplit在所有任务中均表现出色。平均峰值信噪比（CARE-PSNR）和结构相似性指标（MicroMS\mbox?SSIM）分别达到32.53和0.886。即使在最低性能的任务中，数值仍足以支持下游分析，证明了该方法在广泛生物样本中的适用性。

误差估计、数据不确定性与校准

利用变分网络的后验采样能力，研究人员量化了数据不确定性。通过分析后验样本间的差异（RMV），发现其与真实预测误差（RMSE）呈线性相关。这表明即使在没有真实值（Ground Truth）的情况下，用户也能利用RMV可靠地评估预测结果的置信度，识别模糊区域，解决了AI生物图像分析中难以评估预测准确性的难题。

解混数据的下游处理

在分割实验中，三名生物图像分析师分别对常规多路复用数据和MicroSplit预测数据进行分割。结果显示，两者分割结果的一致性处于分析师间的观察者间变异性范围内。这证实了利用解混图像进行下游定量分析的质量与传统方法相当，且能显著节省光子预算用于提高帧率或信噪比。

去除不需要的成像伪影

研究人员展示了利用训练模式IIb去除特定成像伪影的能力。以hPSC来源的端脑类器官中CTIP2染色产生的非特异性斑点状伪影为例，通过手动裁剪纯净信号与伪影区域进行训练，MicroSplit成功实现了从原始数据中分离出干净的细胞核信号，证明了该方法在处理复杂成像伪影方面的潜力。

MicroSplit的局限性

研究详细分析了影响性能的五个关键因素：结构的多重亮度差异（强度偏斜）、原始数据的信噪比（SNR）、待解混结构的相似性、结构间的空间相关性以及相对于输入块大小的结构尺寸。实验表明，随着强度偏斜增大或SNR降低，解混质量会下降；当结构过于相似时，网络训练难度增加，但在轻微缩放（1.063倍）条件下仍能成功解混。

讨论与结论

本研究提出的MicroSplit利用变分分裂编码器-解码器网络，实现了单荧光图像中多种细胞结构的语义分离。该方法不仅能对多达四个叠加结构进行高质量解混和去噪，还能通过后验变异性提供像素级的误差估计。其最大的实用价值在于大幅降低了光子暴露（约十倍），使得剩余光子可用于加速成像、提高信噪比或增加成像结构数量，这对活细胞成像尤为重要。与现有的光谱解混或PICASSO等方法相比，MicroSplit仅需单张叠加图像作为输入，流程更为简化且在噪声条件下表现更优。此外，该方法还能有效去除结构化噪声伪影。尽管在低信噪比、高强度偏斜或结构高度相似时性能会受限，但研究人员已通过开源代码库CAREamics和公开数据集，为社区提供了完全透明且可复现的研究资源，预计将极大地推动计算显微成像在生物医学领域的广泛应用。