贝叶斯结构光照明显微镜（B-SIM）：突破分辨率极限，解锁生物微观奥秘

时间：2025年2月2日

来源：npj Imaging

编辑推荐：

在结构光照明显微镜（SIM）领域，现有重建方法存在噪声建模不准确等问题。研究人员开展了 B-SIM 的研究，结果显示该方法能准确建模噪声，提升图像对比度，在高低信噪比下皆有优势。这一成果为高质量 SIM 重建提供了有力工具。

荧光显微镜是研究活细胞生物过程的重要工具，然而传统显微镜受光的衍射限制，分辨率难以突破 200nm，这就像给探索生命微观奥秘的道路设下了一道 “关卡”。为了突破这一限制，超分辨率技术应运而生。但多数超分辨率技术，比如受激发射损耗显微镜（STED）需要高激光功率和点扫描，基于定位和波动的技术对荧光团光物理性质要求苛刻且需要大量图像，这些都使得超分辨活细胞成像困难重重。

结构光照明显微镜（SIM）凭借与标准样品制备方法兼容、成像所需原始图像少、光照强度低等优势，成为超分辨活细胞成像的热门选择。不过，SIM 的计算重建框架在处理噪声时存在不足，传统方法在低信噪比区域容易失效，还会引入难以分辨的伪影。已有多种 SIM 重建工具尝试解决这些问题，但都存在各自的局限性，比如基于维纳滤波的方法在傅里叶域处理噪声时不够准确，深度学习方法则面临训练数据需求大、泛化性差等挑战。

在此背景下，来自美国亚利桑那州立大学（Arizona State University）、橡树岭国家实验室（Oak Ridge National Laboratory）、俄亥俄州立大学（The Ohio State University）等机构的研究人员开展了相关研究，提出了贝叶斯结构光照明显微镜（Bayesian-SIM，B-SIM）这一创新方法，并将研究成果发表在《npj Imaging》上。

研究人员为开展此项研究，主要运用了以下关键技术方法：首先建立了图像形成模型，考虑了光子散粒噪声和 CMOS 相机噪声，模拟生成有噪声的原始图像；接着利用贝叶斯推理，结合似然函数和先验概率分布构建后验分布；由于后验分布无法直接采样，采用马尔可夫链蒙特卡罗（MCMC）采样技术，并基于点扩散函数（PSF）的有限宽度进行并行化处理，以加速重建过程。

结果

模拟数据：线对实验：研究人员模拟了不同间距的荧光线对数据，在高信噪比下，B-SIM、HiFi-SIM 和 FISTA-SIM 都能生成高质量荧光强度图，但 B-SIM 对特定线对的对比度提升显著，在分辨 90nm 线对时，中心强度下降比 FISTA-SIM 多约 40%。低信噪比时，HiFi-SIM 和 FISTA-SIM 难以分辨 120nm 以下间距的线对，还出现明显伪影，而 B-SIM 仍能分辨 90nm 线对且无伪影，其均方误差（MSE）和峰值信噪比（PSNR）在低信噪比数据中表现最佳。
实验数据：Argo-SIM 线对实验：对 Argo-SIM 校准载玻片上线对的实验图像进行重建，高信噪比下，B-SIM、HiFi-SIM 和 FISTA-SIM 都能分辨 120nm 线对，B-SIM 对比度最佳。低信噪比时，HiFi-SIM 无法准确估计照明图案参数，Wiener-SIM 和 FISTA-SIM 会放大高频噪声，产生大量伪影，难以清晰分辨 120nm 线对，而 B-SIM 引入的高频伪影较少，仍能分辨该线对。
实验数据：HeLa 细胞线粒体网络实验：对 HeLa 细胞中动态线粒体网络进行成像，不同信噪比下，B-SIM 在分辨线粒体嵴时都能提供更高对比度。在高信噪比图像中，B-SIM 在嵴间隙的强度下降比 FISTA-SIM 和 HiFi-SIM 多约 50%；低信噪比时，FISTA-SIM 因放大噪声无法清晰分辨嵴，HiFi-SIM 部分参数下能分辨部分嵴，但 B-SIM 能分辨更多 HiFi-SIM 无法分辨的嵴间隙。通过图像去相关分析估计分辨率，B-SIM 的分辨率明显优于宽场成像和 Wiener 重建。
B-SIM 重建的不确定性和统计估计：B-SIM 利用 MCMC 采样技术从后验分布中采样，能自然地对荧光强度图进行不确定性量化。通过计算均值作为荧光强度图的最终表示，样本间的变化程度可衡量对该图的置信度。研究发现，B-SIM 重建中一些特征的绝对不确定性很低，如线对间和线粒体网络环状结构中心的强度下降区域。此外，增加 MCMC 样本数量可提高荧光强度图的平滑度，还可通过计算后验变异系数（CV）的倒数来比较不同区域的重建质量。

研究表明，B-SIM 能在贝叶斯范式下从 SIM 数据中恢复具有最大可恢复分辨率的超分辨荧光强度图。它通过准确整合光子散粒噪声和相机噪声的物理过程，在高低信噪比下都能实现对潜在荧光强度图的统计准确估计。与传统方法相比，B-SIM 在对比度和特征恢复方面表现更优，能在低信噪比下有效减少噪声放大，且能提供重建荧光强度图的绝对不确定性估计。

B-SIM 的通用性为其在不同实验场景中的应用奠定了基础，未来可通过 GPU 实现、改进 MCMC 采样方案等进一步优化。同时，该方法的采样策略也可推广到其他计算成像技术中。在 SIM 领域，B-SIM 有望成为高质量重建的有力工具，为生物研究提供更清晰的微观视野，助力科学家探索更多此前难以触及的生物特征，推动生命科学和健康医学领域的发展。