跳到主要内容
返回时间线
bioRxiv来源发表:

荧光图像不必再靠染色:DM4ISL在去噪中途取平均,六种细胞器结构更清晰并自带误差图

核心概要

荧光显微成像受光毒性和通道数限制,用无标记明场图预测荧光图的“计算机内标记”因此有吸引力,但现有U-Net和GAN模型输出偏模糊,扩散模型又在去噪末段把荧光本身的散粒噪声当成结构来拟合。DM4ISL改为在去噪中间步(t=800到300)对预测做逐步自集成平均,并取这些步的标准差作为不确定度图。在Allen Institute的hiPSC三维数据上,它在45个细胞器-指标组合中的37个优于标准扩散模型,平均提升8.5%,并标出了59处人工标注显著错误中的55处。

Source-provided article image: DM4ISL: high-fidelity and uncertainty-aware in silico labeling of fluorescence images via diffusion models
bioRxiv · 第 8 页

深度剖析

扩散模型在荧光图像转换的最后去噪步会变差,把预测停在中间步再平均可以拿回这部分损失的结构保真度。 此前的计算机内标记模型以U-Net和GAN为主,生成的荧光图偏平滑、细节丢失,并会出现遗漏、幻觉和结构变形。 在DNA通道上,去噪过程中间步与最终步的皮尔逊相关系数相差约15%;另外五种细胞器的末段退化幅度从核膜的2%到微管的13%,且退化程度与各细胞器在无细胞区域测得的荧光噪声相关(r=0.97,p<0.003)。

DM4ISL把中间步的预测平均作为最终输出,同时用这些步之间的标准差给出每个位置的不稳定程度。 标准扩散模型只取最后一步的单点估计,没有内置的可靠性信号。 在六个细胞器各128个测试图像块上,DM4ISL在45个细胞器-指标组合中的37个优于标准扩散模型,平均提升8.5%;相对Attention U-Net和Pix2Pix GAN分别在41个组合中占优,平均提升15.8%和20.1%。

不确定度图可以在推理时自动标出预测出错的位置,不需要训练多个模型或多次推理。 没有这种机制时,形变、遗漏和幻觉与高保真预测在输出上无法区分。 在五种可人工评估的细胞器共640个图像块上,DM4ISL有59个含显著错误,U-Net为114个;不确定度图检出其中55个,灵敏度93.2%、特异度95.0%,另有26个误报对应形态异常的DNA细胞。

启示与展望

演示范围是Allen Institute for Cell Science的hiPSC旋转盘共聚焦三维数据,覆盖核仁、核膜、DNA、肌动蛋白丝、线粒体和微管六种细胞器,每个细胞器单独训练一个模型;不确定度分析排除了线粒体,因为其结构过密难以人工判错。

中间步区间t=800到300是在DNA通道上凭经验设定的,其他细胞器与超分辨任务只做了验证;方法仍受迭代去噪的计算开销和逐细胞器参数调节的限制,作者提出潜在扩散或流匹配架构可能改善推理速度。