单分子定位显微镜（single-molecule localization microscopy，SMLM）手脚三大主流超分辨成像技艺之一，因其兼具超高空间分辨率与分子特异性，在显微成像领域领有特有的上风。频年来，深度学习要领的引入权贵普及了SMLM在低信噪比与高分子密度条目下的定位发达。现在，以高内涵筛选（high-content screening）为指标的高通量超分辨成像技艺已成为SMLM发展的主要主意。现存深度学习收罗因其模子复杂度高，在高通量成像场景中深广存在处理延时长、资源破费大等问题，严重制约了其在履行应用中的部署。固然已有一些模子压缩技艺可镌汰收罗复杂度，但时常以葬送定位精度为代价，难以自傲SMLM对高精度定位的需求。
为处分上述问题，连络团队冷落了LiteLoc—一种联接轻量化深度学习收罗与可彭胀竞争式并行数据分析计谋的高效框架。该框架集成了由粗、细特征索求器组成的轻量化深度学习收罗结构，并通过GPU集群并行分析达成性能最大化。在8张RTX 4090显卡上，LiteLoc达成了高出560 MB/s的数据吞吐量，省略及时处理应代sCMOS相机聚积的高通量超分辨成像数据。本连络为基于深度学习的SMLM开导了一个兼顾定位精度与打算后果的新基准，为人命科学领域的高效、可彭胀成像责任历程提供了高效的处分决策。
张开剩余83%时常传统图像中的指标特征分散在整张图像的不同区域；比拟之下，单分子定位数据可被领悟为大齐时空分离的模块，每个模块仅包含局部荧光分子的相关信息，相互之间相互孤独（如图1a所示）。但是，现存基于深度学习的单分子数据分析软件多选用串行处理形式，数据分析历程中CPU和GPU资源未被充分诳骗。LiteLoc冷落的并行分析框架不错最大端正地诳骗硬件打算资源，将整个这个词数据分析历程模块化为数据读取/预处理、收罗推理、后处理/写入三个阶段，并通过优化不同阶段的并行处理机制，允好多张显卡以竞争式神情同期读取与分析处理数据。最终数据分析总耗时与子进度推理险些一致（如图1b所示）。
传统卷积神经收罗时常通过堆叠多个卷积层来索求多步伐特征。为达成更高后果，隐隐卷积因其在保管参数与打算量不变的同期能彭胀感受野而受到包涵。LiteLoc的轻量化深度学习收罗结构由两部分组成：一是由隐隐整个递加的隐隐卷积组组成的粗特征索求器，二是由简化版U-Net组成的细特征索求器（如图1c所示）。该结构通过增大感受野、增强特征复用后果与交融多步伐信息，灵验地将模子复杂度镌汰了一个数目级（如图2a所示）。与此同期，LiteLoc在定位精度上与现时最优算法DECODE特别以致更优（如图2c-f所示）。何况，和传统的像素到像素的臆想神情不同，LiteLoc选用的是结构化臆想，径直面向单分子特征进行建模与定位，省略在原始像素分辨率的基础上达到高出像素尺寸十分之一的精度。联接GPU集群并行分析框架，LiteLoc达成了567.6 MB/s的总分析速率，高出旧例SATA SSD的读取上限（500 MB/s）。
为评估LiteLoc的定位性能，连络团队分手对基于散光点扩散函数（point spread function，PSF）和6 µm DMO-Tetrapod PSF对模范结构U2OS细胞中核孔卵白Nup96的成像数据进行了分析和重建（如图3所示）。连络标明，Nup96双层环结构的平均直径约为107 nm，双层环间的平均距离约为50 nm。在散光PSF成像中，LiteLoc与主流定位算法DeepSTORM3D、DECODE均可在x-y平面中重构出核孔的环状结构（如图3b所示），并在x-z平面准阐述识出聚首盖玻片的双层环结构（如图3c所示）。在6 µm DMO-Tetrapod PSF实验中，三种算法均能约莫规复细胞高下名义的核孔卵白分散（如图3e所示）。
但是，由于单个分子的光子分散范围更大、原始显微图像信噪比较低，DeepSTORM3D臆想的定位点较为分散，数目也相对较少（如图3d所示）；而DECODE重构的超分辨图像中出现了较着的网格状伪影。比拟之下，LiteLoc重构图像未出现此类伪影（如图3i所示），露馅出LiteLoc具有更高的定位准确度。在分析速率方面，在相易硬件条目下，LiteLoc的分析耗时仅为DECODE的28.8%、DeepSTORM3D的1.5%，权贵普及了单分子数据的处理后果；在GPU集群的情况下，LiteLoc的分析速率不错达到DeepSTORM3D的500倍、DECODE的20倍。
在相对高密度条目下的基于散光PSF的微管成像实验中，DeepSTORM3D的重建末端雷同会出现网格伪影（如图4所示）。其原因在于DeepSTORM3D选用二值化的上采样体素进行臆想，使定位精度受到体素大小的端正。比拟之下，LiteLoc和DECODE收罗均可臆想亚像素级偏移量。但是，DECODE时常将高不确定性的臆想偏向像素中心，从而在重建中产生网格伪影。LiteLoc则通过密集畅通普及定位置信度，何况隐隐卷积引入了稀疏的像素级打算，有助于缓解中心偏置问题并减少伪影。此外，旧例的深度学习SMLM软件提拔的PSF建模神情有限，而在履行成像中连络者时常需把柄具体成像需求禁受不同建模神情。样条插值PSF较为苟简，适用于空间不变PSF建模；而矢量PSF商量多种光学参数，如波长、折射率与数值孔径，更适应用于包含深度与视场依赖像差的场景。LiteLoc同期提拔两种PSF建模神情用于稽查。
要而论之，连络团队冷落了一套面向高通量SMLM的轻量化深度学习可彭胀并行分析框架。该要领在保证高定位精度的前提下，将收罗推理速率普及三倍以上，权贵缓解了PSF复杂性、结构化数据伪影和成像条目万般性带来的挑战，适用于不同生物样本的超分辨成像任务。其在8张RTX 4090 GPU上的总处理速率高出560 MB/s，具备及时处明智商，昔时有望应用于闭环成像系统与在线质料端正。此外，LiteLoc对打算资源的需求较低，便于集成至模范SMLM分析历程，并与聚类、跟踪或结构重建等卑鄙模块联接，达成高效一体化的超分辨数据处理历程。该框架及源码已在GitHub开源。
科学技艺的发展离不开科研仪器的向上。凯视迈（KathMatic）自2014年创建以来欧洲杯2024官网，一直“努力于高精尖光学测量技艺”，已成为集“研发、制造、销售”为一体的国产高端光学精密测量仪器生力军。推出了KC系列多功能精密测量显微镜、KS系列超景深3D数码显微镜以及KV系列激光多普勒测振系统，得到了细腻的阛阓收成。细目接待留言盘考!
发布于：江苏省