基于扩散的深度学习方法用于增强超结构成像和体积电子显微镜

科学领域:

• 细胞和分子生物学 细胞和分子生物学
• 显微镜和成像技术技术.
• 计算生物学和生物信息学

背景情况:

• 电子显微镜 (EM) 和体积EM (vEM) 对于在3D中可视化细胞超结构至关重要.
• 目前的vEM技术在成像速度和质量方面存在局限性,限制了对大量生物体的分析.
• 实现大规模vEM的同位素成像仍然是一个重大挑战.

研究的目的:

• 开发一个新的算法套件,EMDiffuse,以增强EM和vEM的能力.
• 为了提高vEM数据的分辨率,速度和同otropic重建.
• 为了在大型生物体内实现精确的3D纳米级超结构分析.

主要方法:

• 利用了EM和vEM数据处理的尖端图像生成扩散模型.
• 开发了EMDiffuse算法,用于无声化,超分辨率和同位体vEM重建.
• 精细调整的算法使用最小的数据 (一对3兆像素图像) 来实现强大的可转移性.

主要成果:

• EMDiffuse产生现实的,高分辨率的超结构细节.
• 这些算法在不同的vEM技术和仪器中展示了强大的可转移性.
• 从七个公共数据集中成功生成同位素vEM卷,即使没有同位素训练数据.
• EMDiffuse包括对预测可靠性的自我评估.

结论:

• EMDiffuse显著提高了EM和vEM大容量的纳米成像的能力.
• 生成的同位素体积可以促进精确的3D超结构分析.
• EMDiffuse准备在大型生物系统中推进对复杂的亚细胞结构的研究.