编辑丨王多鱼排版丨水成文高信噪比、高分辨率的显微图像总是蕴含着更丰富、更准确的信息，帮助我们以更加精确的视角认知微观世界。然而，受多种生物物理、生物化学、物理光学因素 （如荧光标记浓度、探针亮度、光毒性、光漂白、光子噪声等）的限制，传统超分辨显微成像技术在提升空间分辨率的同时，往往会牺牲成像时程、速度等其他重要性能。针对这一问题，清华大学戴琼海/李栋合作团队曾于 2021 年提出傅里叶注意力超分辨方法（DFCAN），仅使用单张低分辨率图像即可实现高保真超分辨预测。此后，多种单张显微图像超分辨（Single image super-resolution，SISR）模型被提出，用以拓展活体超分辨显微成像的性能。然而，这些 SISR 模型在实际应用于活体显微成像实验（通常表现为时序数据）时，往往存在两个重要局限：第一，SISR 模型无法捕捉相邻帧之间的时间相关性，可能产生时间不一致的推理结果；第二，当前 SISR 方法缺乏对输出结果的准确置信度评估，因而生物学家无法判断其产生的结果是否可信。针对上述局限，2025 年 1 月 29 日，清华大学自动化系戴琼海院士、乔晖副教授团队联合清华大学生命科学学院李栋团队，在 Nature Biotechnology 期刊发表了题为：A neural network for long-term super-resolution imaging of live cells with reliable confidence quantification 的研究论文，开发了置信度可量化的时序显微图像超分辨方法。摘要：编辑丨王多鱼排版丨水成文高信噪比、高分辨率的显微图像总是蕴含着更丰富、更准确的信息，帮助我们以更加精确的视角认知微观世界。然而，受多种生物物理、生物化学、物理光学因素 （如荧光标记浓度、探针亮度、光毒性、光漂白、光子噪声等）的限制，传统超分辨显微成像技术在提升
来源：小贺看科技
免责声明：本站系转载，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与本站联系，我们将在第一时间删除内容!