AI 驱动的显微镜将光学缺陷转化为高质量成像突破

快速阅读: 据《AZoAI》称，亥姆霍兹-德累斯顿-罗森多夫研究中心的研究人员利用生成式人工智能和色差，实现了高质量、无标签的单次曝光定量相位成像。该技术只需一次曝光即可获得所需图像质量，适用于生物医学诊断。该成果在AAAI第39届年度人工智能大会上展示，并将于3月下旬发布同行评审论文。

亥姆霍兹-德累斯顿-罗森多夫研究中心 2025年3月4日

研究人员利用生成式人工智能和色差实现了高质量、无标签的单次曝光定量相位成像，为更易获取和高效的生物医学诊断铺平了道路。

研究：

位于戈尔利茨的亥姆霍兹-德累斯顿-罗森多夫研究中心（HZDR）的高级系统理解中心（CASUS）以及伦敦帝国理工学院和伦敦大学学院的研究人员建议利用一种被称为色差的光学现象——通常会降低图像质量——来使用标准显微镜生成合适的图像。

借助生成式人工智能模型，仅需一次曝光即可获得使定量相位成像（QPI）在生物医学应用中具有吸引力所需的图像质量。该团队于2月底在美国费城举行的美国人工智能促进协会（AAAI）第39届年度人工智能大会上展示了这项工作。相应的同行评审会议论文将于3月下旬发布。

用染料或其他试剂标记生物样本可以揭示有价值的见解。然而，这种方法存在一些阻碍其在临床诊断中广泛应用的缺点：耗时长，且需要昂贵的设备和试剂。因此，近年来的研究集中在某些无标签显微镜方法上，如QPI。在这里，光吸收或散射的程度不再是唯一感兴趣的点。利用散射信息，QPI还可以捕捉样品如何改变通过其传播的光的相位——这种变化直接与其厚度、折射率和其他结构特性相关。虽然QPI也需要相当昂贵的设备，但计算QPI并不需要。

最著名的计算QPI方法之一是解决强度传输方程（TIE）。这个微分方程允许根据记录的相位变化计算出样品的图像。该方法易于集成到现有的光学显微镜设置中，并能产生高质量的图像。

不利的一面是，TIE方法通常需要多次不同焦距的采集以消除伪影。处理焦平面堆栈既耗时又技术要求高，因此这种基于TIE的QPI在临床环境中往往不可行。

利用色差

“我们的方法依赖于与TIE类似的原理，但由于物理和生成式人工智能的巧妙结合，只需要一张图像。”CASUS青年研究员小组负责人、在AAAI会议上展示工作的通讯作者亚图尔·雅基莫维奇教授说。

生物样本引起的相位变化信息并非来自其他焦距下的附加曝光。由于色差，也可以从一次单次曝光生成焦平面堆栈。

大多数显微镜镜头系统无法将所有波长（多色）白光完美聚焦到一个单一的汇聚点——这一缺陷只有高度专业化的镜头才能纠正。这意味着，例如，红、绿、蓝（RGB）光有不同的焦距。“通过使用传统的RGB探测器分别记录这三种波长的相位变化，可以构建一个焦平面堆栈，从而实现计算QPI，将缺陷转化为优势。”雅基莫维奇解释道。

“利用色差实现QPI面临一个挑战：红光焦点和蓝光焦点之间的距离最小。”CASUS博士生加布里埃尔·德拉·马吉奥拉说，他是该出版物的两位主要作者之一。用标准方式解决TIE不会得到有意义的结果。“我们想到可以使用人工智能。事实证明，这个想法是决定性的。”德拉·马吉奥拉补充道。“经过训练一个生成式人工智能模型，该模型使用由120万张图像组成的开放访问数据集后，即使仅依靠从记录中获得的最小数据输入，该模型也能检索相位信息。”

方法在现实世界临床样本上验证

该团队借鉴了去年春天发布的生成式人工智能模型以改善图像质量：条件变分扩散模型（CVDM）。它属于特定类型的生成式人工智能模型，名为扩散模型。

开发者强调，训练CVDM所需的计算努力显著少于训练其他扩散模型，而结果相同甚至更好。借助CVDM策略，德拉·马吉奥拉及其同事开发了一种适用于定量数据的新扩散模型。使用此模型，他们最终实现了基于色差的计算QPI。

他们使用常见的亮场显微镜和商用彩色相机对现实世界临床样本进行显微成像，验证了他们的基于生成式人工智能的方法。分析人类尿液样本中的红细胞时，该方法揭示了这些细胞的甜甜圈状形状，而另一种已建立的基于计算TIE的方法则没有。

新生成式人工智能基础定量相位成像方法计算出的图像中几乎没有云状伪影，这是一个额外的优势。

“感染与疾病机器学习”小组开发了新的计算技术，可用于临床环境。

其潜力巨大，特别是在诊断方面。其中一种方法是生成式人工智能。由于生成式人工智能容易产生幻觉，该小组的主要重点是减少它们。整合基于物理学的元素是关键方法。正如基于AI的定量相位成像示例所示，这种方法非常有前景。

*重要通知：

arXiv发布的是未经同行评审的初步科学报告，因此不应被视为最终结论，不应用于指导开发决策，也不应被视为人工智能研究领域的权威信息。

来源：亥姆霍兹-德累斯顿-罗森多夫研究中心

引用文献：

预印本。