Resumen Técnico: Mejora de la deconvolución de Richardson–Lucy con prioris de difusión para microscopía de fluorescencia

Planteamiento del problema

La microscopía de fluorescencia es esencial para visualizar moléculas etiquetadas en sistemas biológicos, sin embargo, la formación de imágenes está fundamentalmente limitada por la difracción y el ruido de disparo de fotones de Poisson. La deconvolución clásica de Richardson–Lucy (RL) intenta recuperar la señal de fluorescencia original maximizando la log-verosimilitud de Poisson bajo un modelo físico de propagación (forward model). Sin embargo, este problema inverso es mal planteado, particularmente en regímenes de bajos fotones. Sin restricciones adicionales, las actualizaciones iterativas de RL amplifican el ruido y producen artefactos de alta frecuencia, mientras que las estructuras biológicas finas (como filamentos débiles o puncta) pueden perderse debido a la degradación óptica.

Los métodos de regularización tradicionales, como la Variación Total (TV), estabilizan la solución imponiendo suavidad espacial. Aunque son efectivos para reducir el ruido, la regularización TV suele introducir un sobresuavizado, suprimiendo detalles subcelulares débiles y requiriendo un ajuste cuidadoso de los hiperparámetros en diferentes condiciones de imagen. Además, los enfoques de aprendizaje profundo existentes suelen depender de un entrenamiento supervisado con datos emparejados específicos para una configuración de microscopio o tipo de espécimen determinado, lo que limita su capacidad de generalización. Existe la necesidad de un método que proporcione una guía estructural robusta para la deconvolución RL sin sacrificar la consistencia física del modelo de medición de Poisson ni la capacidad de generalizarse a través de diversos tipos de muestras biológicas.

Metodología

Los autores proponen Diffusion-RL, un marco de problema inverso desacoplado que integra un prior de difusión basado en puntuación (score-based diffusion prior) en el bucle de optimización de RL. La innovación central reside en la separación del aprendizaje de la morfología biológica de la imposición de la consistencia de la medición.

1. Marco desacoplado

El marco alterna entre dos componentes distintos:

• Prior de Difusión (Guía Estructural): Se entrena un Modelo de Difusión Elucidante (EDM) no condicionado en un corpus diverso de imágenes de microscopía de fluorescencia (incluyendo modalidades de confocal, de campo amplio y de dos fotones). Este modelo aprende la variedad (manifold) de las estructuras biológicas recurrentes (por ejemplo, morfología celular, redes de filamentos) sin estar condicionado por parámetros específicos del microscopio. Durante la inferencia, el modelo de difusión propone una estimación estructural $\hat{x}_0$ a partir de la distribución aprendida.
• Consistencia de Datos RL (Restricciones Físicas): La estimación estructural propuesta se refina utilizando la regla de actualización clásica de RL. Este paso impone la consistencia con los recuentos de fotones medidos ($y$) y la Función de Propagación de Punto (PSF, $H$) conocida bajo un modelo de ruido de Poisson. La actualización de RL actúa como un operador de consistencia de datos modular, corrigiendo la estimación de la difusión para alinearla con la medición física.

2. Flujo Algorítmico

El proceso de reconstrucción sigue una trayectoria de difusión inversa con un bucle de refinamiento interno:

1. Inicialización: En cada paso de difusión $t$, el estado perturbado $x_t$ se mapea a una estimación estructural limpia $\bar{x}^0_t$ utilizando la fórmula de denoise de Tweedie.
2. Bucle Interno de RL: Esta estimación limpia sirve como inicialización para $K$ iteraciones de la actualización de RL (Ec. 2), que refina la imagen para satisfacer la verosimilitud de Poisson $p(y|x)$.
3. Re-ruido (Re-noising): La estimación refinada por RL $\hat{x}^0_{t,RL}$ se vuelve a añadir ruido a lo largo del esquema de ruido para producir $\hat{x}_{t,RL}$.
4. Propagación: El estado re-ruidoso y consistente con los datos se pasa al siguiente paso de difusión. Cuando el nivel de ruido es suficientemente bajo, se utiliza un resolvedor de ODE para recuperar los detalles de escala fina.

3. Entrenamiento e Implementación

El modelo de difusión fundacional fue entrenado de forma no condicionada en 125,464 parches de cuatro repositorios públicos (SR-Caco-2, FMD, Neuronal Cells, RxRx1) utilizando una arquitectura U-Net. Para la validación específica del espécimen, el modelo se ajustó (fine-tuned) en un conjunto de datos de confocal BPAE. Crucialmente, el mismo prior preentrenado se despliega en diferentes PSF y regímenes de fotones sin necesidad de reentrenamiento, ya que la física específica del microscopio se introduce únicamente durante el paso de inferencia de RL.

Contribuciones Clave

• Integración de Priores Aprendidos con Modelos Físicos: El artículo introduce un método para combinar las capacidades de ajuste de distribución de los modelos de difusión basados en puntuación con las rigurosas restricciones físicas de la deconvolución de Poisson.
• Estrategia de Inferencia Desacoplada: Al separar el aprendizaje del prior de la consistencia de la medición, el marco permite aplicar un único prior biológico generalizable a diversas configuraciones ópticas (diferentes PSF, recuentos de fotones y modalidades) sin reentrenamiento.
• Preservación de Estructuras Débiles: El método aborda específicamente el compromiso entre la supresión de ruido y la preservación de detalles, con el objetivo de recuperar estructuras finas y débiles que típicamente se pierden en los enfoques de RL no regularizados o regularizados con TV.
• Cuantificación de la Incertidumbre: La naturaleza estocástica del muestreador de difusión permite la generación de múltiples reconstrucciones plausibles a partir de la misma medición, proporcionando una medida visual de la confianza de la reconstrucción en regímenes de bajos fotones.

Resultados

El marco fue validado en diversas muestras biológicas, incluyendo F-actina, mitocondrias y núcleos en células BPAE y HUVEC, bajo variaciones de presupuesto de fotones ($\alpha = 5$ a $255$) y anchuras de PSF.

• Desempeño Cuantitativo: En regímenes de bajos fotones ($\alpha = 5, 10$), Diffusion-RL superó significativamente tanto al RL estándar como al TV-RL en términos de Relación Señal-Ruido de Pico (PSNR) e Índice de Similitud Estructural (SSIM). Por ejemplo, en $\alpha=5$ con una PSF gaussiana ($\sigma=3$), Diffusion-RL alcanzó un PSNR de $19.94 \pm 1.96$ dB frente a $14.86 \pm 2.14$ dB para RL y $15.72 \pm 2.10$ dB para TV-RL.
• Mejoras Cualitativas: Las comparaciones visuales demostraron que Diffusion-RL preserva mejor las estructuras filamentosas y los detalles puntuales. A diferencia de TV-RL, que tiende a suavizar las características débiles, Diffusion-RL mantiene una organización celular coherente y textura local, evitando al mismo tiempo la amplificación de ruido típica de la iteración de RL.
• Robustez a Variaciones de PSF: El método mantuvo un desempeño superior incluso bajo PSFs más anchas ($\sigma=5$) y PSFs de confocal realistas simuladas, indicando que el prior aprendido compensa eficazmente el aumento de la degradación óptica.
• Diversidad e Incertidumbre: El muestreo de múltiples reconstrucciones desde diferentes inicializaciones estocásticas reveló que, si bien las estructuras celulares mayores permanecen estables (ancladas por RL), ocurren variaciones en regiones de bajo contraste. Este comportamiento refleja la incertidumbre inherente del problema inverso en lugar de una alucinación incontrolada.

Significado y Reivindicaciones

El artículo afirma que Diffusion-RL ofrece un avance significativo para la microscopía de fluorescencia, particularmente en regímenes limitados por la medición donde los presupuestos de fotones están restringidos por el fotoblanqueo, la fototoxicidad o la velocidad de adquisición.

• Modularidad: A diferencia de los métodos de aprendizaje profundo supervisados (por ejemplo, CARE, 3D-RCAN) que requieren datos de entrenamiento emparejados para configuraciones específicas de microscopio, Diffusion-RL utiliza un prior no condicionado que puede combinarse con cualquier PSF conocida durante la inferencia. Esta modularidad reduce la carga de datos y mejora la generalización.
• Estabilidad: El marco proporciona una alternativa estable a la deconvolución clásica, evitando la amplificación de ruido que ocurre cuando se fuerzan las iteraciones de RL para recuperar detalles finos en datos ruidosos.
• Fidelidad Física: Al retener la verosimilitud explícita de Poisson y las restricciones de la PSF dentro del bucle de RL, el método asegura que las reconstrucciones permanezcan físicamente consistentes con los datos medidos, evitando la posibilidad de estructuras "alucinadas" que podrían ocurrir en enfoques puramente generativos.

Los autores concluyen que Diffusion-RL fortalece eficazmente la deconvolución de Poisson clásica aprovechando la morfología de fluorescencia aprendida, ofreciendo una solución robusta para la recuperación de estructuras biológicas finas bajo condiciones de imagen desafiantes.