Resumo Técnico: Melhorando a Desconvolução de Richardson–Lucy com Priores de Difusão para Microscopia de Fluorescência

Declaração do Problema

A microscopia de fluorescência é essencial para visualizar moléculas marcadas em sistemas biológicos, mas a formação da imagem é fundamentalmente limitada pela difração e pelo ruído de contagem de fótons de Poisson (shot noise). A desconvolução clássica de Richardson–Lucy (RL) tenta recuperar o sinal de fluorescência original maximizando a log-verossimilhança de Poisson sob um modelo físico direto. No entanto, este problema inverso é mal posto, particularmente em regimes de baixos fótons. Sem restrições adicionais, as atualizações iterativas de RL amplificam o ruído e produzem artefatos de alta frequência, enquanto estruturas biológicas finas (como filamentos ou pontos fracos) podem ser perdidas devido à degradação óptica.

Métodos de regularização tradicionais, como a Variação Total (TV), estabilizam a solução ao impor suavidade espacial. Embora eficazes na redução de ruído, a regularização TV frequentemente introduz o excesso de suavização (oversmoothing), suprimindo detalhes subcelulares fracos e exigindo um ajuste cuidadoso de hiperparâmetros em diferentes condições de imagem. Além disso, as abordagens existentes de aprendizado profundo dependem frequentemente de treinamento supervisionado com dados pareados específicos para uma única configuração de microscópio ou tipo de espécime, o que limita sua generalização. Existe a necessidade de um método que forneça orientação estrutural robusta para a desconvolução RL sem sacrificar a consistência física do modelo de medição de Poisson ou a capacidade de generalização para diversos tipos de amostras biológicas.

Metodologia

Os autores propõem o Diffusion-RL, um framework de problema inverso desacoplado que integra um prior de difusão baseado em score no loop de otimização de RL. A inovação central reside na separação do aprendizado da morfologia biológica da aplicação da consistência de medição.

1. Framework Desacoplado

O framework alterna entre dois componentes distintos:

• Prior de Difusão (Orientação Estrutural): Um Modelo de Difusão Elucidante (EDM) não condicionado é treinado em um corpus diversificado de imagens de microscopia de fluorescência (incluindo modalidades confocal, de campo amplo e de dois fótons). Este modelo aprende a variedade (manifold) de estruturas biológicas recorrentes (ex: morfologia celular, redes de filamentos) sem ser condicionado a parâmetros específicos de microscópios. Durante a inferência, o modelo de difusão propõe uma estimativa estrutural $\hat{x}_0$ a partir da distribuição aprendida.
• Consistência de Dados RL (Restrições Físicas): A estimativa estrutural proposta é refinada usando a regra de atualização clássica de RL. Esta etapa impõe consistência com as contagens de fótons medidas ($y$) e a Função de Espalhamento de Ponto (PSF, $H$) conhecida sob um modelo de ruído de Poisson. A atualização RL atua como um operador modular de consistência de dados, corrigindo a estimativa de difusão para alinhá-la com a medição física.

2. Fluxo Algorítmico

O processo de reconstrução segue uma trajetória de difusão reversa com um loop de refinamento interno:

1. Inicialização: Em cada passo de difusão $t$, o estado perturbado $x_t$ é mapeado para uma estimativa estrutural limpa $\bar{x}^0_t$ usando a fórmula de denoising de Tweedie.
2. Loop RL Interno: Esta estimativa limpa serve como a inicialização para $K$ iterações da atualização de RL (Eq. 2), que refina a imagem para satisfazer a verossimilhança de Poisson $p(y|x)$.
3. Re-ruído (Re-noising): A estimativa refinada por RL $\hat{x}^0_{t,RL}$ é novamente submetida ao ruído ao longo do cronograma de ruído para produzir $\hat{x}_{t,RL}$.
4. Propagação: O estado re-ruído e consistente com os dados é passado para o próximo passo de difusão. Quando o nível de ruído é suficientemente baixo, um solver de ODE é usado para recuperar detalhes de escala fina.

3. Treinamento e Implementação

O modelo de difusão fundamental foi treinado de forma não condicionada em 125.464 patches de quatro repositórios públicos (SR-Caco-2, FMD, Neuronal Cells, RxRx1) utilizando uma arquitetura U-Net. Para validação específica do espécime, o modelo foi ajustado (fine-tuned) em um conjunto de dados confocal BPAE. Crucialmente, o mesmo prior pré-treinado é implantado em diferentes PSFs e regimes de fótons sem necessidade de retreinamento, pois a física específica do microscópio é introduzida apenas durante o passo de inferência de RL.

Principais Contribuições

• Integração de Priores Aprendidos com Modelos Físicos: O artigo introduz um método para combinar as capacidades de ajuste de distribuição de modelos de difusão baseados em score com as rigorosas restrições físicas da desconvolução de Poisson.
• Estratégia de Inferência Desacoplada: Ao separar o aprendimento do prior da consistência de medição, o framework permite que um único prior biológico generalizável seja aplicado em diversas configurações ópticas (diferentes PSFs, contagens de fótons e modalidades) sem retreinamento.
• Preservação de Estruturas Fracas: O método aborda especificamente o compromisso entre a supressão de ruído e a preservação de detalhes, visando recuperar estruturas finas e fracas que são tipicamente perdidas em abordagens de RL não regularizadas ou regularizadas por TV.
• Quantificação de Incerteza: A natureza estocástica do amostrador de difusão permite a geração de múltiplas reconstruções plausíveis a partir da mesma medição, fornecendo uma medida visual de confiança da reconstrução em regimes de baixos fótons.

Resultados

O framework foi validado em diversos tipos de amostras biológicas, incluindo F-actina, mitocôndrias e núcleos em células BPAE e HUVEC, sob variados orçamentos de fótons ($\alpha = 5$ a $255$) e larguras de PSF.

• Desempenho Quantitativo: Em regimes de baixos fótons ($\alpha = 5, 10$), o Diffusion-RL superou significativamente tanto o RL padrão quanto o TV-RL em termos de Relação Sinal-Ruído de Pico (PSNR) e Índice de Similaridade Estrutural (SSIM). Por exemplo, em $\alpha=5$ com uma PSF Gaussiana ($\sigma=3$), o Diffusion-RL alcançou um PSNR de $19.94 \pm 1.96$ dB comparado a $14.86 \pm 2.14$ dB para RL e $15.72 \pm 2.10$ dB para TV-RL.
• Melhorias Qualitativas: Comparações visuais demonstraram que o Diffusion-RL preservou melhor as estruturas filamentosas e detalhes pontuados. Diferente do TV-RL, que tendia a suavizar características fracas, o Diffusion-RL manteve a organização celular coerente e a textura local, evitando a amplificação de ruído típica do RL iterativo.
• Robustez a Variações de PSF: O método manteve desempenho superior mesmo sob PSFs mais largas ($\sigma=5$) e PSFs confocais realistas simuladas, indicando que o prior aprendido compensa efetivamente o aumento da degradação óptica.
• Diversidade e Incerteza: A amostragem de múltiplas reconstruções a partir de diferentes inicializações estocásticas revelou que, embora as principais estruturas celulares permanecessem estáveis (ancoradas pelo RL), ocorreram variações em regiões de baixo contraste. Esse comportamento reflete a incerteza inerente do problema inverso, em vez de alucinação descontrolada.

Significância e Alegações

O artigo afirma que o Diffusion-RL oferece um avanço significativo para a microscopia de fluorescência, particularmente em regimes limitados por medição, onde os orçamentos de fótons são restringidos pela fotodegradação (fotobranqueamento), fototoxicidade ou velocidade de aquisição.

• Modularidade: Ao contrário dos métodos de aprendizado profundo supervisionados (ex: CARE, 3D-RCAN) que requerem dados de treinamento pareados para configurações específicas de microscópio, o Diffusion-RL utiliza um prior não condicionado que pode ser combinado com qualquer PSF conhecida durante a inferência. Essa modularidade reduz a carga de dados e aumenta a generalização.
• Estabilidade: O framework fornece uma alternativa estável à desconvolução clássica, prevenindo a amplificação de ruído que ocorre quando as iterações de RL são forçadas a recuperar detalhes finos em dados ruidosos.
• Fidelidade Física: Ao manter a verossimilhança explícita de Poisson e as restrições de PSF dentro do loop de RL, o método garante que as reconstruções permaneçam fisicamente consistentes com os dados medidos, evitando a possibilidade de estruturas "alucinadas" que poderiam ocorrer em abordagens puramente generativas.

Os autores concluem que o Diffusion-RL fortalece efetivamente a desconvolução de Poisson clássica ao aproveitar a morfologia de fluorescência aprendida, oferecendo uma solução robusta para recuperar estruturas biológicas finas sob condições de imagem desafiadoras.