丽江乐投letou生物报路：科学家们利用一种人为智能技术，，，，，将低分辨率的细胞显微照片转化为使用超高分辨率技术能力得到的高质量图像。。。。。

这一钻研成就颁布在12月17日的Nature Methods杂志上，，，，，新技术有助于钻研人员利用尺度台式显微镜获得高质量的图像。。。。。文章作者，，，，，加州大学洛杉矶分校Aydogan Ozcan暗示，，，，， “（超高分辨率步骤）在现实利用中受限于设备和专业知识方面。。。。。此刻，，，，，通过AI，，，，，我们能够扭转游戏规定。。。。。”

在从前一两年中，，，，，显微镜钻研领域的钻研人员改进了人为智能技术，，，，，但愿改善获取图像的过程及质量，，，，，一些钻研已经从低质量的肇始图像中获得了超分辨率图像。。。。。

在最新钻研中，，，，，Ozcan等人训练了所谓的深度神经网络，，，，，这种推算机模型能够进建输入数据之间的非线性关系，，，，，将共聚焦和荧鲜明微镜图像转换成高质量图像，，，，，如受引发射损耗显微镜（STED）和结构照显著微镜（SIM）。。。。。 Ozcan暗示，，，，，与通过超高分辨率技术获得的图像进行的比力显示，，，，，神经网络“不会产生幻觉”，，，，， “它的确展示了超分辨率职能。。。。。”

谷歌钻研科学家Samuel Yang说：“我以为这很靠得住，，，，，若是（靶标结构）的表观不会产生太大变动，，，，，我以为使用这种技术是齐全有效的。。。。。”

不外匈牙利科学院生物钻研中心的推算细胞生物学家Peter Horvath说，，，，，深层神经网络可能会错过样本中的关键轻微差距。。。。。 “它从另一张看起来类似的图像中复造内容，，，，，但通常在钻研中我们但愿找到与其他图像分歧的器材，，，，，这正是这种步骤的缺点，，，，，由于它不会发现差距。。。。。”

一些钻研人员已成功地利用深度神经网络捕获这些异常。。。。。例如，，，，，今年早些时辰，，，，，巴斯德钻研所推算生物物理学家Christophe Zimmer开发了一种网络，，，，，用于降低帧数，，，，，从而削减获取与超高分辨率技术（localization microscopy）相当的图像所需的功夫。。。。。Zimmer说，，，，，通过训练后，，，，，这种网络能够正确地获得拥有异常微管的超高分辨率图像。。。。。

Zimmer也忠告说，，，，，这种模型扩大能力有限，，，，，当对核孔图像进行检测时，，，，，他们发现神经网络“试图让幼纤维通过这些核孔，，，，，因而图片中都是细丝而不是八角形结构。。。。。”

Ozcan等人暗示，，，，，他们的网络能够成功造作出新样本类型的超高分辨率图像。。。。。例如，，，，，他们论文中的补充图像就说了然肌动蛋白微丝图像进行训练的模型若何可能正确地改善线粒体或血管图像的分辨率。。。。。“我们有证据批注它在将这种超分辨率概想延展到之前未见过的样品上，，，，，”Ozcan说。。。。。

这一说法引起了专家们的质疑。。。。。

Broad钻研所推算机科学家Allen Goodman指出，，，，，这种AI步骤提高分辨率的常见弊端是在延展到分歧类型图像时会出现机能欠安。。。。。问题在于，，，，，在训练过程中，，，，，网络无法更新“在它们在处置的问题”。。。。。

Ozcan强调，，，，，他的论文暗示最好将网络沉新训练为新的样本类型。。。。。“但这拥有普遍性，，，，，”他说，，，，，“你能够利用的多广，，，，，我以为每幼我都有的问题。。。。。”

原文标题：

H. Wang et al., “Deep learning enables cross-modality super-resolution in fluorescence microscopy,” Nat Methods, doi:10.1038/s41592-018-0239-0, 2018.