独立顕微鏡間で深学習を活用したモーダム転移による高throughput イメージング

arXiv:2403.18026v2 Announce Type: replace-cross Abstract: 大規模生物学イメージングは、取得速度と画像品質のトレードオフによってしばしば制限されています。広い視野蛍光顕微鏡などの高速イメージングモードは、大規模なデータ取得を可能にしつつもコントラストや解像度の低下を伴い、一方、共焦点顕微鏡や単一分子局在顕微鏡に基づく超解像技術などの高解像度技法は、優れた画像品質を提供しますが、処理量や装置使用時間のコストがかかります。ここでは、独立した顕微鏡間でモーダム転移を行うための深学習ベースのアプローチを提案します。これにより、高速システムで取得された低品質な画像を、高度なイメージングプラットフォームを用いたものと同等の品質の高品質な表現に変換することが可能になります。これを達成するために、物理的に別の広視野顕微鏡と共焦点顕微鏡で取得された対応セットデータセットに基づいて訓練された生成对抗网络 (GAN) ベースのモデルを採用し、画像品質が独立した装置間で信頼して転移可能であることを示しました。定量的評価では、構造的類似性と信号忠実性が大幅に向上しており、中位 SSIM と PSNR はそれぞれ 0.94 と 31.87 で、元の広視野画像の 0.83 と 21.48 より大幅に改善されました。これらの結果は、重要な構造的特徴が高度な精度で回復できることを示しています。特に、このアプローチは高速でアクセスしやすい顕微鏡システム上に高throughput イメージングを実行でき、かつ高品質な構造的情報を計算機で回復できる能力を保証するワークフローを可能にします。その後、高解像度顕微鏡は標的検証のために留保され、取得時間が短縮され、全体として実験効率が高められます。結果として、我々の結果は、独立した顕微鏡システムを橋渡しし、スケーラブルな高content イメージングワークフローを支える実用的な戦略として、深学習を活用したモーダム転移を確立しました。

arXiv:2403.18026v2 Announce Type: replace-cross Abstract: High-throughput biological imaging is often constrained by a trade-off between acquisition speed and image quality. Fast imaging modalities, such as wide-field fluorescence microscopy, enable large-scale data acquisition but suffer from reduced contrast and resolution, whereas high-resolution techniques, including confocal microscopy or single-molecule localization microscopy-based super-resolution techniques, provide superior image quality at the cost of throughput and instrument time. Here, we present a deep learning-based approach for modality transfer across independent microscopes, enabling the transformation of low-quality images acquired on fast systems into high-quality representations comparable to those obtained using advanced imaging platforms. To achieve this, we employ a generative adversarial network (GAN)-based model trained on paired datasets acquired on physically separate wide-field and confocal microscopes, demonstrating that image quality can be reliably transferred between independent instruments. Quantitative evaluation shows substantial improvement in structural similarity and signal fidelity, with median SSIM and PSNR of 0.94 and 31.87, respectively, compared to 0.83 and 21.48 for the original wide-field images. These results indicate that key structural features can be recovered with high accuracy. Importantly, this approach enables a workflow in which high-throughput imaging can be performed on fast, accessible microscopy systems while preserving the ability to computationally recover high-quality structural information. High-resolution microscopy can then be reserved for targeted validation, reducing acquisition time and improving overall experimental efficiency. Together, our results establish deep learning-enabled modality transfer as a practical strategy for bridging independent microscopy systems and supporting scalable, high-content imaging workflows.