电子显微镜使细胞内部复杂细节的可视化成为可能。三维电子显微镜的进步，被称为体积EM (vEM)，进一步扩展了这种三维纳米级成像能力。然而，成像速度、质量和样本量之间的权衡仍然限制了可实现的成像面积和体积。
人工智能(AI)正在成为各个科学领域的关键力量，推动突破，并成为科学过程中的重要工具。
香港大学(港大)化学系蒋海波教授和电机及电子工程系齐晓娟教授，受人工智能图像生成模型(特别是先进扩散模型的发展)最新突破的启发，开发了一套基于扩散模型的算法，称为EMDiffuse。
这种创新的解决方案旨在增强成像能力，并解决EM和vEM面临的权衡问题。该团队的研究结果最近发表在《自然通讯》杂志上。
对于传统的2D EM, EMDiffuse擅长还原具有高分辨率超微结构细节的逼真高质量视觉效果，即使是在嘈杂或低分辨率输入中也是如此。与其他基于深度学习的去噪或超分辨率方法不同，EMDiffuse采用了一种独特的方法，从目标分布中采样解决方案。
EMDiffuse在其基于扩散的过程的每一步都将低质量图像作为条件或约束，以确保生成结构的准确性。这意味着低质量的输入被积极地用于指导和塑造修复，而不仅仅是作为起点。
扩散模型可以有效地防止模糊，保持与地面真实相媲美的分辨率，这对于详细的超微结构研究至关重要。此外，EMDiffuse的通用性和可移植性使其可以直接应用于各种数据集，也可以在仅对训练图像进行最小微调后应用于各种数据集。
在vEM中，目前的硬件通常难以捕获大样本的高分辨率3D图像，特别是在深度(或“z方向”)，这使得难以充分研究重要细胞成分(如线粒体和内质网)的3D结构。
EMDiffuse通过两种灵活的方法解决了这个问题。它可以使用“各向同性”训练数据——三维图像数据集，在所有维度上具有统一的高分辨率——来学习如何提高其他三维数据的轴向分辨率。
另外，EMDiffuse可以分析现有的3D图像，并通过自我监督技术提高其深度分辨率，而无需专门的训练数据。这种多功能性使EMDiffuse能够提高不同研究应用中3D电子显微镜数据的质量和有用性。
修复后的体积在研究超微结构细节(如线粒体嵴和线粒体与内质网之间的相互作用)方面表现出了卓越的准确性，这些细节在原始各向异性体积中是很难观察到的。由于EMDiffuse不需要各向同性的训练数据，因此可以直接应用于任何现有的各向异性体，以提高其轴向分辨率。
EMDiffuse代表了EM和vEM成像能力的重要进步，提高了图像质量和所产生数据的轴向分辨率。“有了这个基础，我们可以设想EMDiffuse算法的进一步发展和加速，为深入研究大型生物系统中复杂的亚细胞纳米级超微结构铺平道路，”该论文的通讯作者之一蒋海波教授说。
该论文的另一位通讯作者齐晓娟教授说:“随着这种人工智能成像技术的成熟，我们很高兴看到它如何使研究人员发现生物系统中以前未被发现的运作机制。”
本文来自作者[admin]投稿，不代表xfqse号立场，如若转载，请注明出处：https://wap.xfqse.cn/zsfx/202508-3633.html
评论列表（4条）
我是xfqse号的签约作者“admin”！
希望本篇文章《利用人工智能技术提升复杂生物系统的电子显微镜成像效果》能对你有所帮助！
本站[xfqse号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：...