Nature Methods/Cell/ Patterns连发4篇！清华戴琼海等团队在成像领域取得系列进展

01

钙成像提供了一种以单细胞分辨率监测神经回路活动的方法，从而改变了神经科学研究。然而，钙成像本质上容易受到检测噪声的影响，尤其是在以高帧率或低激发剂量成像时。2021年8月16日，清华大学戴琼海，方璐及王好谦共同通讯在Nature Methods 在线发表题为”Reinforcing neuron extraction and spike inference in calcium imaging using deep self-supervised denoising“的研究论文，该研究开发了 DeepCAD，这是一种自我监督的深度学习方法，用于钙成像数据的时空增强，不需要任何高信噪比 (SNR) 观察。DeepCAD 抑制检测噪声，将信噪比提高十倍以上，从而增强了神经元提取和尖峰推理的准确性，并促进了神经回路的功能分析。

02

2021年5月25日，清华大学戴琼海，俞立及范静涛共同通讯在Cell 在线发表题为”Iterative tomography with digital adaptive optics permits hour-long intravital observation of 3D subcellular dynamics at millisecond scale“的研究论文，该研究提出了一种计算成像框架，称为数字自适应光学扫描光场相互迭代层析成像（DAOSLIMIT），它具有高速，高分辨率3D成像，平铺波前校正和紧凑型系统的低光毒性。通过同时对整个体积进行层析成像，该研究获得了在225×225×16μm3范围内的体积成像，在数十万个时间点上，毫秒级的横向分辨率高达220 nm，轴向分辨率高达400 nm。为了建立功能，该研究探索了中性粒细胞迁移和肿瘤细胞循环过程中不同物种的大规模细胞迁移和神经活动，并观察了哺乳动物的各种亚细胞动力学(点击阅读)。

03

2021年1月22日，清华大学脑与认知科学研究院戴琼海院士团队在Cell Press细胞出版社旗下Patterns期刊发表了一篇题为“Toward human intervention-free clinical diagnosis of intracranial aneurysm via deep neural network”的文章，提出了一种无需人工干预的IA检测和分割的深度学习模型(GLIA-Net)。该模型通过定量评价和临床实验验证了其优越的诊断性能，预计将有助于改变脑血管疾病的临床诊断，实现精确治疗，未来也可能改变医疗保健和生物医学研究的格局。(点击阅读)

04

2021年1月21日，中国科学院生物物理研究所李栋及清华大学戴琼海共同通讯在Nature Methods 在线发表题为“Evaluation and development of deep neural networks for image super-resolution in optical microscopy”的研究论文，该研究使用多模态结构照明显微镜 (SIM)，首先提供了一个广泛的 LR-SR 图像对数据集，并在结构复杂性、信噪比和放大因子方面评估了深度学习 SR 模型。其次，该研究设计了深度傅立叶通道注意网络 (DFCAN)，它利用不同特征之间的频率内容差异来学习有关不同生物结构的高频信息的精确分层表示。第三，该研究展示了 DFCAN 的傅立叶域聚焦能够在低信噪比条件下稳健地重建 SIM 图像。该研究证明，在多色活细胞成像实验中，DFCAN 在 10 倍以上的持续时间内实现了与 SIM 相当的图像质量，这揭示了线粒体嵴和类核的详细结构以及细胞器和细胞骨架的相互作用动力学（点击阅读）。

下面，详细介绍2021年8月16日，发表在Nature Methods 的这篇题为”Reinforcing neuron extraction and spike inference in calcium imaging using deep self-supervised denoising“的研究论文。

欢迎加入

全国脑成像学术讨论群

添加小编微信

brainnews_11

-留言脑成像研究群-

钙成像能够以单细胞分辨率并行记录活体动物的神经活动，为破解神经回路中信息的传播、整合和计算机制提供了可能。为了进行准确的神经功能分析，获取高信噪比的钙成像数据尤其关键。然而，由于在体钙瞬变（Calcium transient）的低峰值积累和快速动态特性【1,2】，使得探测器无法捕捉足够多的荧光光子，一直以来难以突破光的量子本质所导致的泊松噪声极限。钙成像信噪比过低的问题长期困扰着神经科学家，现有方法不得不通过牺牲成像速度、分辨率或者组织活性来换取图像信噪比，而极大地限制了生命科学的发展。
2021年8月16日，Nature Methods杂志在线发表了清华大学脑与认知科学研究院、自动化系戴琼海课题组题为 Reinforcing neuron extraction and spike inference in calcium imaging using deep self-supervised denoising 的研究论文。该论文提出一种用于钙成像去噪的自监督学习方法（DeepCAD），仅使用单个低信噪比的钙成像视频序列即可实现网络训练。

由于神经元钙活动的高速、非重复特性，传统监督学习所必需的训练真值无法获取，该自监督学习策略打破了对训练真值的依赖，在钙成像去噪方面取得突破。在此基础上，DeepCAD使用三维网络结构充分利用神经活动的时空相关性，将钙成像信噪比提升十倍以上，克服了光子噪声极限。该方法被用于观测小鼠大脑皮层神经纤维网和神经元群落的钙动态，实现了低激发功率下的高信噪比钙成像，并可广泛适用于各类钙成像系统。
图1. DeepCAD原理与应用示意图
为了验证该方法的准确性和可靠性，作者搭建了一套特殊的双光子显微镜，样本所发出的荧光光子在探测端被分光设备分为1:10的两部分，两路信号同步采集。低信噪比的图像作为原始数据输入网络，高信噪比的图像用于验证输出的结果。DeepCAD首先应用于小鼠大脑皮层Layer 1神经纤维网的钙成像去噪，结果表明，去噪后的数据信噪比提升超过十倍，原本淹没在噪声中的钙活动可以被真实地恢复出来。

图2. DeepCAD恢复淹没在噪声中的神经纤维网钙动态，信噪比提升十倍以上

DeepCAD同样被应用于观测小鼠大脑皮层Layer2/3神经群落的钙活动。去噪之后的钙成像数据具有非常高的信噪比，仅从单帧图像就能清晰辨认出神经元的形态和分布。由于有效去除了探测噪声，胞体钙信号的准确度也大幅提高。量化分析表明，DeepCAD增强后的钙成像数据能够明显提升神经元分割（neuron extraction）和尖峰推测（spike inference）的准确度，有助于完整揭示神经回路活动，避免噪声导致的信息损失。

图3. DeepCAD用于神经群落钙成像的去噪，准确解析神经元活动

最后，作者将预训练的DeepCAD模型用于装配有不同物镜和探测器的多个双光子显微镜上，结果表明，DeepCAD具有良好的泛化性和可扩展性，在不同的双光子成像系统上均表现出优越的性能。
图4. DeepCAD在不同的双光子显微镜上均表现出优越的性能
为了简化DeepCAD的使用流程，作者将该方法封装为Fiji插件。目前相关代码、插件和完整数据集已随论文一同发布。除了神经钙成像，该方法有望扩展到其他成像模式，如宽场显微镜、共聚焦显微镜和光片显微镜，或者其他功能成像场景，如细胞迁移观测和电压成像。DeepCAD可作为在光子受限情况下延时成像（time-lapse imaging）的一般数据处理步骤，实现对生物动态活动的低激发功率、长时程观测。
图5. DeepCAD的Fiji插件

清华大学自动化系博士生李欣阳、张国勋为该论文共同第一作者；清华大学脑与认知科学研究院、清华大学自动化系戴琼海教授；清华大学深圳国际研究生院王好谦教授；清华大学电子系方璐副教授为该论文共同通讯作者。。

原文链接：

https://www.nature.com/articles/s41592-021-01225-0

论文代码链接：

https://github.com/cabooster/DeepCAD

参考文献

1 Sabatini, B. L., Oertner, T. G. & Svoboda, K. The Life Cycle of Ca2+ Ions in Dendritic Spines. Neuron 33, 439-452, doi:10.1016/s0896-6273(02)00573-1 (2002).2 Chen, T. W. et al. Ultrasensitive fluorescent proteins for imaging neuronal activity. Nature 499, 295-300, doi:10.1038/nature12354 (2013).
参考资料来源：inature，BioArt，Cell Press等