冷冻FIB-SEM图像不再被充电伪影淹没:两阶段修复让常规电镜分割模型直接读出膜结构
核心概要
冷冻聚焦离子束扫描电镜能在近天然含水状态下对细胞做三维成像,但充电伪影、噪声和弱膜对比度长期妨碍结构判读。一种采集后处理的两阶段深度学习流程把冷冻图像向常规室温FIB-SEM图像域转换:第一阶段逐切片抑制大尺度伪影,第二阶段借相邻五张切片增强膜对比度。在164张留出合成测试图上,第一阶段相对退化输入的平均配对PSNR提升16.74 dB;四个实验数据集上可见伪影减少、膜特征更清晰,且预训练的CebraNET膜预测器无需重训即可直接用于处理后的体数据。
深度剖析
冷冻FIB-SEM体数据现在可以在不改造成像硬件的前提下,经采集后处理得到伪影更少、膜对比度更高的图像。 此前冷冻样品因导电性差而积累电荷,形成暗核、方向性拖尾、条纹和明暗不均的背景,加上噪声与失焦,使膜结构难以标注;已有的配准、去噪和伪影校正方法需要同时处理跨空间尺度共存、且相邻切片间各不相同的退化。 在164张1024×1024像素的留出合成测试图上,第一阶段输出相对构造参考目标的平均配对PSNR增益为16.74 dB,SSIM与MAE同步改善;另有28张无伪影恒等对照显示输入几乎不被改动。
两个阶段分工处理不同空间尺度的退化:先压大范围伪影,再增强局部膜信号。 充电伪影的横向范围可能很大,而膜结构在相邻切片间存在有意义的对应关系,两类信息需要不同的空间上下文。 第一阶段用基于NAFNet的二维模型在整幅1024×1024切片上独立处理每张切片;第二阶段用五通道U-Net从连续五张切片的256×256小块预测中心块的增强结果,并在推理时对相邻块做中心参照的局部对齐。
处理后的冷冻体数据可以直接交给为常规室温FIB-SEM训练的膜分割模型使用。 此前针对冷冻FIB-SEM的分析工具需要单独开发,而常规体电镜已有成熟的膜分割与细胞器检测流程。 预训练的CebraNET膜预测器在未重训、未微调、阈值固定为0.30的条件下,对原始与处理后体数据给出预测;在蠕虫—藻类共生系统和小鼠脑组织两个数据集上,处理后的预测更贴合可见的细胞边界,包括藻类叶绿体的类囊体膜。
启示与展望
展示范围限于留出合成测试和四个采集的冷冻FIB-SEM数据集:公开的莱茵衣藻数据集EMPIAR-11275,以及人源小气道上皮细胞、AppSAA敲入小鼠脑组织和蠕虫—藻类共生系统三个自建数据集;四个数据集使用同一套两阶段推理流程,未做数据集专属重训。
合成测试衡量的是与构造参考目标的一致性,不能当作冷冻FIB-SEM数据上像素级精度的估计;当中心切片及相邻切片都被充电或光晕严重遮蔽时,底层形貌无法可靠推断。膜分割的改善目前只有定性比较,因为缺少独立的人工膜标注真值,检测准确率和重建膜拓扑的正确性都未定量确立。
