科学家让活细胞成像既全又清

北京大学未来技术学院教授席鹏及其团队研发出名为LargePNet的新型AI网络，解决了当前AI辅助荧光成像在观察活细胞时面临的“管中窥豹”困境。

席鹏教授指出，在显微镜下观察活细胞时，研究人员常常陷入两难：为了获得清晰的图像需要使用高强度光照，但这会损害细胞，限制了长时间观测的可能性。近年来，深度学习技术的发展为这一难题带来了转机，能够从低光照、模糊的图像中重建出高清晰度的画面，从而降低了对光照强度的需求，延长了观测时间。然而，一个长期被忽视的问题是，现有的AI模型大多沿用了处理自然图像的方法，将大于512×512像素的大图切割成小块（如64×64或128×128像素）进行训练。这种方法就好比让AI通过学习“零碎的照片”来掌握摄影技术，每一小块图像所包含的信息量都非常有限。

席鹏教授解释说，自然图像内容丰富，不同小块之间的差异明显，因此适合进行切块训练。但荧光成像的情况截然不同：荧光染料特异性标记的细胞器，在小视野下通常呈现出重复的细微结构。区分“结构”与“噪声”的关键信息，实际上隐藏在更大尺度的全局关联之中。因此，通过“零碎照片”训练出的AI，在处理完整大图时，往往由于缺乏全局认知而导致图像复原的保真度不足、抗噪声能力较差，因为它从未学习过“整只豹子”的形态。他补充道，“在荧光图像中，大视野范围内的生物结构之间存在着长程的关联，例如一根微管蛋白纤维可能蜿蜒贯穿整个图像。当AI模型只接触过局部碎片，它就丧失了理解这种全局结构的能力。”

团队的解决方案十分巧妙：他们提出了一种全新的通用型荧光成像复原网络LargePNet。其核心理念非常简洁：不再切割图像，而是直接使用大于512×512像素的大视野图像来训练AI，使得模型在训练阶段就能够完整地学习细胞结构的上下文关联和全局统计信息。然而，直接将大图像输入传统的神经网络会面临两个挑战：一是如何建立足够大的“感受野”来让AI理解全局结构；二是如何控制大视野图像的计算量，避免GPU内存溢出。为此，团队构建了LargePNet这一高效的大视野通用型荧光成像复原网络，它能够融合全局“骨架”与局部“细节”，从而实现既能全面观察又能清晰成像。

实验效果显著：在涉及不同显微成像模式的降噪和去模糊等八项典型任务中，LargePNet相比于当前最先进的复原网络，峰值信噪比提升了0.5至2分贝，大图推理效率提升了4至20倍。利用这项技术，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，稳定地捕捉到了细胞骨架的动态变化；同时，还能在同一画面中清晰地展现内质网、线粒体和微管这三种细胞器的相互作用。

更重要的是，团队还提供了一个“适用范围说明”。他们发现，当小图块与大视图的统计信息偏差越大时，LargePNet相较于传统小图训练网络所展现出的复原优势就越明显。席鹏教授表示：“这意味着研究人员可以根据他们数据的特点，来判断何时更适合使用这套拥有‘大局观’的模型。目前，我们已将全部Python源代码、训练数据和模型开源，供全球同行免费使用。”

世界杯官网中文站围绕全球焦点比赛资讯与实时比分服务展开布局，持续同步热门球队动态、比赛分析与足球新闻内容。平台核心价值体现在更加精准全面的数据服务能力与稳定流畅的平台环境。功能介绍包括赛事直播、球队资料、比分更新与热点专题，同时不断优化平台性能与赛事资源整合增强用户认可度。用户进入平台后即可轻松浏览世界杯赛事资讯。立即加入世界杯官网中文站，共享足球赛事精彩时刻。

世界杯官网围绕海量球队资讯，一手掌握不断创新，回应用户的真实需求。