Blogs

北京大学未来技术学院席鹏教授的研究团队成功研发出一种名为LargePNet的创新型AI网络，有效解决了长期困扰活细胞荧光成像的“管中窥豹”问题。这项技术使AI能够“全局视角”地进行图像复原，弥补了以往AI处理大尺寸图像时的信息缺失。

传统显微成像技术在追求图像清晰度时，往往需要高强度光照，这会对敏感的活细胞造成损伤，限制了长时间观测的可能性。近年来，深度学习的出现为这一难题带来了转机，通过算法从低光照、模糊的图像中重建高清晰度画面，从而降低了对光照强度的需求，使得更持久的细胞生命活动观测成为可能。然而，现有AI模型普遍采用将大于512×512像素的大图像分割成小块进行训练的方式，这种方法类似于让AI通过“零碎照片”学习摄影，每块图像所包含的信息量极为有限。

席鹏教授解释说，自然图像内容丰富，不同小块之间的差异显著，因此适合采用分割训练。但荧光成像的特性截然不同，荧光染料标记的细胞器在小视野下往往呈现出重复的细微结构。区分“结构”与“噪声”的关键信息，实际上蕴含在更大尺度的全局关联之中。经过“碎照片”训练的AI，在处理完整大图时，由于缺乏对全局的认知，常常导致复原图像的保真度不足且抗噪能力较差，因为它从未学习过“整只豹子”的形态。在荧光图像中，生物结构在大视野范围内存在长程关联，例如一根微管蛋白纤维可能横跨整个图像。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。

该团队的解决方案独具匠心，提出了一种全新的通用型荧光成像复原网络LargePNet。其核心思想是直接使用大于512×512像素的大视野图像来训练AI，使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，摆脱了对小图块的依赖。然而，直接将大图像输入传统神经网络会面临两大挑战：一是如何建立足够大的“感受野”以让AI理解全局结构；二是如何控制大视野下的计算量，避免GPU内存溢出。为此，团队构建了LargePNet，一个高效的大视野通用型荧光成像复原网络，它融合了全局“骨架”与局部“细节”，实现了既能全面观察又能清晰成像的目标。

这项技术的应用效果显著。在涉及不同显微模态的降噪、去模糊等八项典型任务中，LargePNet相较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，大图推理效率提高了4至20倍。依托该技术，团队成功实现了长达30小时、分辨率达200纳米的活细胞亚细胞器动态成像，稳定地捕捉了细胞骨架的动态变化；同时，还能够清晰地呈现内质网、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，该团队还提供了一份“适用范围说明书”。他们发现，当小图块与大视图的统计信息差异越大时，LargePNet相较于传统小图训练网络的复原优势就越明显。这意味着研究人员可以根据自身数据的特点，判断何时更适合使用这套具有“大局观”的模型。目前，该团队已将全部Python源码、训练数据和模型进行了开源，供全球研究者免费使用。这项技术的发展，无疑为生命科学研究的深入探索提供了强大的新工具，也让人们对未来的世界杯竞猜有了更多期待。