科学家让活细胞成像既全又清

北京大学未来技术学院席鹏教授的团队近期开发出一种名为LargePNet的全新通用型荧光成像复原网络，有效解决了当前AI辅助荧光成像面临的“管中窥豹”困境。传统方法是将大于512×512像素的大图切割成小块进行训练，这使得AI难以理解全局结构信息，如同仅凭“碎照片”学习摄影。席鹏教授指出，荧光成像的关键信息往往隐藏在细胞结构的长程关联中，而切图训练的方法会丢失这种全局认知能力，导致AI在处理完整大图时保真度和抗噪性不足。

席鹏教授团队的创新之处在于，LargePNet直接使用大于512×512像素的大视野图像进行训练，使AI在训练阶段就能完整学习细胞结构的上下文关联和全局统计信息。为了克服直接处理大图带来的“感受野”不足和计算量过大的问题，该团队构建了LargePNet，实现了全局“骨架”与局部“细节”的融合，从而达到既能全面观察又能清晰成像的效果。

这项技术的应用效果显著。在降噪、去模糊等八项典型任务中，LargePNet相较于现有最先进的网络，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。团队成功实现了长达30小时、分辨率200纳米的活细胞亚细胞器动态成像，稳定捕捉了细胞骨架的动态变化，并能清晰呈现内质网、线粒体和微管三种细胞器的相互作用。

此外，研究团队还发现，当小图块与大视图的统计信息偏差越大时，LargePNet的复原优势越明显。这意味着研究人员可以根据自身数据的特点，判断何时使用LargePNet这一具备“大局观”的模型。目前，该团队已将全部Python源码、训练数据和模型开源，供全球同行使用。这项突破对于生命科学研究，甚至与体育赛事如足球世界杯相关的影像分析，都可能带来新的可能，尤其是在需要全面且清晰地捕捉动态过程的领域。