Artifact-guided restoration improves visualization of cellular ultrastructure in cryo-FIB-SEM volumes
本文介绍了一种两阶段深度学习框架,该框架通过将图像转换到 RT-FIB-SEM 领域,在无需硬件修改的情况下,有效抑制充电伪影并提高膜对比度,从而增强了对 cryo-FIB-SEM 数据的可视化与分析。
原始论文采用 CC BY 4.0 许可(https://creativecommons.org/licenses/by/4.0/)。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
为了观察活细胞的内部运作,科学家们经常求助于一种技术:将标本极速冷冻,使其中的水分转化为玻璃态,从而以近乎完美的、自然的状态保存细胞精细的结构机制。这种冻结状态至关重要,因为传统的细胞制备方法通常涉及将其干燥或涂覆重金属,这些过程可能会扭曲或破坏研究人员希望研究的结构本身。然而,当科学家尝试使用强大的电子显微镜对这些冻结细胞进行三维成像时,图像往往显得模糊不清。冻结的水性标本导电性差,会导致静电荷积聚,从而产生黑色的条纹、斑块和模糊的背景。这些伪影就像一层浓雾,遮蔽了分隔细胞内部区室的纤薄且脆弱的膜结构,使得研究人员难以分辨一个细胞器在哪里结束,另一个又从哪里开始。
一个研究团队开发出了一种新的基于计算机的方法来清除这种“数字雾霾”。通过使用一个两阶段的人工智能处理过程,他们可以将来自冻结样本的带有噪声和畸变的图像,转化为一种更清晰的格式,使其看起来类似于从传统室温样本中获得的高质量图像。这种方法不需要改变显微镜或冷冻过程;相反,它是在数据采集完成后对其进行清理。其结果是一系列边界清晰的细胞膜体积图像,使科学家能够以前所未有的清晰度观察细胞复杂的内部架构。
研究人员将他们的解决方案建立在一个简单而强大的理念之上:虽然几乎不可能找到一个完美的、无伪影的冻结细胞图像版本来作为指南,但科学家们已经拥有了大量的来自室温细胞的高质量图像库。他们利用这些干净的常规图像作为参考,来教导他们的计算机模型细胞应当呈现出什么样的样子。整个过程分为两个截然不同的阶段。首先,计算机模型扫描冻结图像,以识别并消除由静电引起的宏观畸变,例如黑色条纹和不均匀的阴影。这一步就像擦拭脏窗户以去除最大的污渍。该模型通过学习真实的冻结样本中存在的静电模式,并结合添加到干净参考图像中的合成畸变,从而被训练出能够识别这些特定的损伤模式。
一旦宏观伪影被抑制,第二阶段的过程就会专注于更精细的细节。这一步利用被检查切片上方和下方相邻切片的信息,来锐化图像并增强细胞膜的对比度。由于细胞膜是贯穿细胞的连续结构,观察周围的切片有助于计算机填补图像可能模糊或信息缺失的空白。这一阶段有效地对图像进行了“抛光”,使细胞内部结构的薄片状边界在背景中脱颖而出。研究人员在四种不同类型的生物样本上测试了这个两阶段框架,涵盖了从单细胞藻类到人类肺细胞以及小鼠脑组织。在每种情况下,处理后的图像都显示出明显的伪影减少,并且细胞膜的可视度有了显著提升。
这种方法的真正价值在于它能够弥合冻结成像与常规成像之间的鸿沟。由于清理后的冻结图像现在看起来非常接近科学家所习惯处理的高质量图像,因此他们可以使用现有的、专为室温数据设计的软件工具来分析冻结样本。研究人员通过将修复后的图像输入到一个预训练的计算机程序中,展示了这一点,该程序可以自动识别并追踪细胞膜。在原始的、未经处理的冻结图像中,该程序表现挣扎,常因静电干扰而产生困惑,并生成不完整或不准确的轮廓。然而,当应用于修复后的图像时,该程序成功地追踪了复杂的膜网络,以更高的精度揭示了细胞器的三维组织结构。
这种方法表明,冻结成像的局限性并不一定是永久性的障碍,而是可以通过更智能的数据处理来克服的挑战。研究人员强调,虽然该方法极大地提高了视觉质量并使数据更易于解读,但它并不会凭空创造完全丢失的信息。如果细胞的一部分在所有相邻切片中都被巨大的电荷伪影完全遮蔽,该方法无法神奇地重建它。然而,对于图像中的绝大多数部分,即结构仅仅是被噪声或畸变所掩盖时,该方法能成功恢复可见的细节。通过使这些难以解读的冻结体积数据能够被标准的分析工具所使用,这项工作为在细胞最自然、水合状态下的详细研究打开了大门,有望加速我们对细胞如何运作以及如何受疾病影响的理解。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。