Nat Methods | 李栋与合作者开发无需真值数据的自监督深度学习框架，实现生物友好型高精度长时程活细胞超分辨成像

背景：深度学习结构光照明显微镜技术在长时程超分辨活细胞成像中潜力巨大，但现有方法严重依赖高质量真值图像进行监督训练，这些数据在光敏感、快速变化的生命过程中极难获取，限制了技术普适性。研究目的：为克服对配对训练数据的依赖并提升重建保真度，研究团队旨在开发一种无需真值数据的自监督深度学习框架，实现生物友好型高精度长时程活细胞超分辨成像。结论：该研究提出了自监督重建结构光照明显微术（SSR-SIM），通过将重建伪影的统计分析与结构光照明的物理先验深度融合，无需真值数据即可实现高精度、高保真超分辨图像重建。该方法在定量指标上优于现有算法，具有低光毒性和高效性，并成功应用于多种活细胞场景，揭示了细胞间纳米管通讯、病毒与宿主细胞互作等新颖生物学现象，为计算显微成像领域提供了新范式。