2
0本文介绍了一种名为 MicroSplit 的新型深度学习计算显微技术，旨在解决传统荧光成像中速度、分辨率与光毒性之间的权衡难题。该技术核心在于语义解混（Semantic Unmixing），允许科研人员在单一荧光通道内同时对多达四个细胞结构进行成像，随后利用 AI 算法将其拆分为独立的去噪通道。通过采用变分分裂编码器-解码器网络，该模型不仅能生成高质量的图像，还能通过评估预测的不确定性来确保结果的可靠性。这种方法大幅节省了成像过程中的光子预算，从而支持更快的采样频率和更低损伤的长时程活细胞成像。研究证明，MicroSplit 处理后的数据在下游分割任务中表现优异，与人工标注的准确度相当。此外，该技术还能有效去除图像中的特定伪影，目前所有模型与代码均已向生物医学社区开源。
References:
Ashesh A, Carrara F, Zubarev I, et al. Micro S plit: semantic unmixing of fluorescent microscopy data[J]. Nature Methods, 2026: 1-11.
