细胞成像技术：人工智能将无标记光声显微镜转化为共聚焦显微镜

POSTECH的一个研究小组开发了一种超越传统成像方法限制的技术，提供了稳定和高度精确的细胞可视化。他们的发现发表在《自然通讯》上

在生命科学中，共聚焦荧光显微镜（CFM）被广泛认为可以产生高分辨率的细胞图像。然而，它需要荧光染色，这会带来光漂白和光毒性的风险，可能会损害所研究的细胞。相反，中红外光声显微镜（MIR-PAM）允许无标记成像，保持细胞完整性。然而，它对较长波长的依赖限制了空间分辨率，使其难以精确地可视化精细的细胞结构

为了弥合这些差距，POSTECH团队开发了一种基于可解释深度学习（XDL）的创新成像方法。这种方法将低分辨率、无标签的MIR-PAM图像转换为高分辨率、几乎染色的图像，类似于CFM生成的图像。与传统的人工智能模型不同，XDL通过可视化转换过程来提高透明度，确保可靠性和准确性

该团队实施了单波长MIR-PAM系统，并设计了一个两阶段成像过程：分辨率增强阶段将低分辨率MIR-PAM图像转换为高分辨率图像，清楚地区分细胞核和丝状肌动蛋白等复杂的细胞结构，虚拟染色阶段在没有荧光染料的情况下产生虚拟染色图像，消除了与染色相关的风险，同时保持了CFM质量成像

这项创新技术提供了高分辨率、几乎染色的细胞成像，而不会损害细胞健康，为活细胞分析和先进的生物学研究提供了一种强大的新工具

Kim Chulhong教授表示：“我们开发了一种跨域图像转换技术，弥合了不同成像方式的物理限制，提供了互补的好处。XDL方法显著提高了无监督学习的稳定性和可靠性。”

Jang教授补充道：“这项研究为无标记的多路复用、高分辨率细胞成像开辟了新的可能性。它在活细胞分析和疾病模型研究中具有巨大的应用潜力。”医学科学与工程系融合It工程系机械工程系博士、博士生Eunwoo Park博士。Sampa Misra（融合IT工程系）和Dong-Gyu Hwang博士（3D器官打印和干细胞中心） More information: Eunwoo Park et al, Unsupervised inter-domain transformation for virtually stained high-resolution mid-infrared photoacoustic microscopy using explainable deep learning, Nature Communications (2024). DOI: 10.1038/s41467-024-55262-2

Journal information: Nature Communications