科学家让活细胞成像既全又清

北京大学未来技术学院的席鹏教授及其团队，通过开发一种名为LargePNet的通用型荧光成像复原网络，成功解决了AI辅助荧光成像领域的“管中窥豹”困境，实现了活细胞成像的全局视野和清晰度。

席鹏解释道，传统显微镜观察活细胞时，清晰成像需要高强度光照，这会损伤细胞，限制了长期观测。近年来，深度学习技术能够从低光照、模糊的图像中计算出高清晰度的画面，降低了光照需求。然而，现有AI模型普遍采用自然图像处理方法，将大于512×512像素的大图像分割成小块进行训练，这使得AI在学习过程中只能获取有限的信息，如同通过“碎照片”学习摄影。

他进一步阐述，自然图像内容丰富，不同小块之间差异显著，适合切块训练。但荧光成像不同，特异性标记的细胞器在小视野下呈现重复结构，区分结构与噪声的关键信息往往隐藏在宏观的全局关联中。使用“碎照片”训练的AI，在处理完整大图时，由于缺乏全局认知，常常导致保真度不足和抗噪性差，因为它从未学习过“整只豹子”的形态。席鹏指出，荧光图像中，大视野范围内的生物结构存在长程关联，例如微管蛋白纤维可能贯穿整个图像，而碎片化训练剥夺了AI理解这种全局结构的能力。

为应对此挑战，团队构思了全新的LargePNet网络。其核心理念是直接使用大于512×512像素的大视野图像进行AI训练，使模型在训练阶段就能完整学习细胞结构的上下文关联和全局统计信息。然而，直接处理大图像会遇到两个主要障碍：一是建立足够大的“感受野”以理解全局结构；二是控制大视野下的计算量，防止GPU内存溢出。为此，LargePNet被设计为一个高效的网络，能够融合全局“骨架”与局部“细节”，从而实现既能“看得全”又能“看得清”。

实验结果显示，LargePNet在降噪、去模糊等八项不同显微模态的任务中表现出色，与当前最先进的复原网络相比，峰值信噪比提升了0.5至2分贝，大图推理效率提高了4至20倍。基于该技术，团队成功实现了长达30小时、分辨率为200纳米的活细胞亚细胞器动态成像，稳定捕捉了细胞骨架的动态变化，并能清晰呈现内质网、线粒体和微管三种细胞器在同一画面中的相互作用。

更重要的是，团队还提供了“适用范围说明书”。他们发现，小图块与大视图的统计信息偏差越大，LargePNet相较于传统小图训练网络的优势越明显。这意味着研究人员可以根据自身数据的特点，判断何时最适合使用LargePNet。目前，该团队已将所有Python源码、训练数据及模型全部开源，供全球科研人员免费使用。

世界杯直播网页版围绕足球赛事资讯与实时直播服务展开布局，持续同步全球焦点比赛动态、球队分析与足球新闻内容。平台核心价值在于通过高清稳定的赛事观看体验与全面丰富的赛事资源，为用户打造更加便捷的世界杯互动平台。功能介绍包括赛事直播、比分查询、球队动态与热点栏目，同时不断更新赛事内容与优化平台结构增强用户信赖。用户进入平台后即可轻松掌握世界杯赛事热点。立即加入世界杯直播网页版，共享足球赛事精彩。

世界杯直播以世界杯赔率为核心，带来高效便捷的体验。