Tiefgreifendes Selbstlernen ermöglicht volumetrische Mikroskopie mit isotroper 3D-Auflösung

Die volumetrische Fluoreszenzmikroskopie ist ein unverzichtbares Werkzeug für umfassende Untersuchungen von Zellen und Organen. Da die Proben von Natur aus dreidimensional (3D) sind, sollte das optimale Bildgebungssystem über eine hohe räumliche Auflösung in alle Richtungen verfügen.

Aufgrund des Funktionsprinzips weisen die meisten mikroskopischen Bildgebungsmodalitäten jedoch eine anisotrope Punktstreufunktion (PSF) auf, d. h. die axiale Auflösung ist um das Zwei- bis Dreifache schlechter als die laterale Auflösung, was die genaue Visualisierung und Dissektion erheblich beeinträchtigt und Analyse komplexer volumetrischer Strukturen innerhalb der biologischen Proben.

Hardwarelösungen für dieses Problem sind oft sehr komplex, was letztlich die Anwendbarkeit solcher Methoden einschränkt. Daher ist es für die aktuelle Life-Science-Forschung dringend erforderlich, einfache, effektive und weit verbreitete isotrope Wiederherstellungsmethoden mit 3D-Auflösung zu entwickeln, damit 3D-Bilddaten mit konstant hoher Auflösung aus verschiedenen Perspektiven betrachtet werden können.

Im Gegensatz zu den vorherigen Ansätzen nutzt Self-Net unüberwachtes Lernen für eine realistische anisotrope Verschlechterung und ermöglicht so die Konstruktion eines überwachten Trainings, um den isotropen Wiederherstellungsergebnissen eine starke Einschränkung aufzuerlegen und eine hochpräzise Rekonstruktion sicherzustellen. Dieses zweistufige Lernrahmenwerk lindert effektiv die Halluzinationsprobleme zuvor beschriebener Methoden und bietet eine wesentlich verbesserte Bildqualität.

Die Autoren haben diese Methode an einer Vielzahl häufig verwendeter Bildgebungssysteme und biologischer Proben verifiziert. Die Ergebnisse zeigten, dass es nicht nur die 3D-Auflösungsisotropie der konfokalen Weitfeld-Zwei-Photonen-Lichtblattmikroskopie wirksam verbessern kann, sondern auch auf die STED-Mikroskopie (Stimulated Emission Depletion) und die strukturierte Beleuchtungsmikroskopie mit Superauflösung angewendet werden kann ( SR-SIM), wodurch eine isotrope 3D-Superauflösung erreicht wird, die über die Auflösungsgrenze des Originalsystems hinausgeht.

In einem Artikel veröffentlicht in Licht: Wissenschaft und Anwendungenein Team von Wissenschaftlern unter der Leitung von Professor Hui Gong und Jing Yuan vom Britton Chance Center for Biomedical Photonics, Wuhan National Laboratory for Optoelectronics, Huazhong University of Science and Technology, China, und Kollegen haben einen universellen zweistufigen Prozess entwickelt Deep Self-Learning-Ansatz namens Self-Net zur Verbesserung der Auflösungsisotropie für die volumetrische Fluoreszenzmikroskopie mit schneller Trainings- und Inferenzgeschwindigkeit sowie hoher Rekonstruktionstreue.

Diese Methode nutzt die selbstlernende Strategie, die die axiale Auflösung der anisotropen Rohdaten verbessert, indem die hochauflösenden lateralen Bilder im selben Datensatz wie rationale Ziele verwendet werden. Das einzigartige Merkmal dieser Strategie besteht darin, dass sie die 3D-Verteilungseigenschaften des System-PSF vollständig ausnutzt und die Erfassung registrierter Trainingsdaten oder die physische Modellierung des Bilderzeugungsprozesses überflüssig macht. Basierend auf dieser Methode ist es einfach, isotrope 3D-Bildgebung über verschiedene Mikroskopieplattformen hinweg zu realisieren und verspricht, die Entdeckung neuer biologischer Erkenntnisse zu fördern.

Die Autoren demonstrierten außerdem die Wirksamkeit von Self-Net anhand von Bilddaten dicht gepackter Neuriten. Eines der markantesten Interneurone, die axoaxonischen Zellen (AACs), enthalten extrem dichte Axondorne, und die morphologische Rekonstruktion dieser Zellen wurde durch die geringe axiale Auflösung der volumetrischen Bildgebung eingeschränkt.

Mit Hilfe von Self-Net wird dieses Problem kein Problem mehr sein. Es ist ersichtlich, dass die feinen, miteinander verwobenen Axonfasern der AACs in den axialen Rohansichten nicht zu unterscheiden waren, sich aber nach der Self-Net-Wiederherstellung leicht auflösen ließen. Das isotrope Verhältnis der 3D-Daten ist von 0,51 auf 0,94 gestiegen, was bedeutet, dass die Bildqualität in verschiedenen Betrachtungswinkeln im Allgemeinen gleich bleibt. Die von Self-Net bereitgestellte isotrope 3D-Auflösung ermöglicht die klare Visualisierung und genaue Analyse der komplexen 3D-Daten der AACs. Die Geschwindigkeit der Neuronenrekonstruktion ist fast viermal höher als zuvor, was die Analyseeffizienz erheblich steigert.

Darüber hinaus ermöglichen die hohe Wirksamkeit und Anwendbarkeit von Self-Net eine zeit- und dateneffiziente Pipeline zur Erzielung einer isotropen Bildgebung des gesamten Gehirns (DeepIsoBrain) mit einer Voxelauflösung von 0,2 × 0,2 × 0,2 μm3, was die Rekonstruktionseffizienz und -genauigkeit erheblich verbessert der komplexen Morphologie einzelner Neuronen und kann ein vielversprechender Ansatz zur Erleichterung der morphologiebasierten neurowissenschaftlichen Forschung sein.

Insgesamt ist das Deep-Learning-Framework Self-Net ein effektiver und zuverlässiger Ansatz zur Erzielung einer Auflösungsisotropie der volumetrischen Mikroskopie. Es ist davon auszugehen, dass Self-Net in einer Vielzahl von Bereichen nützlich sein wird, um nicht nur bestehende 3D-Bilddatensätze, sondern auch neue Datenerfassungen zu verbessern.

Bei biologischen Organen und Geweben mit inhärenter 3D-Strukturverteilung kann die durch diese Methode bereitgestellte isotrope 3D-Auflösung die genaue 3D-Rekonstruktion und Analyse von Proben effektiv fördern, was voraussichtlich neue Entdeckungen und neue Fortschritte in den Biowissenschaften und anderen Bereichen fördern wird.