导读
近日，深圳大学医学光子学创新研究院超分辨成像团队取得重要研究进展，相关成果以题为“Lightweight Uncertainty-Calibrated Imaging by Deep Learning for Reliable and Rapid One-Shot Super-Resolution Microscopy”的论文发表于国际权威期刊《Laser & Photonics Reviews》（JCR一区TOP，IF=10）。该研究提出轻量级不确定性校准深度学习成像框架LUCID，首次在单帧傅里叶叠层显微成像中同步实现高保真重建与像素级双维度不确定性量化，以极低计算开销突破了现有成像方法“速度、精度、可靠性”无法兼得的技术瓶颈。
严伟教授为论文通讯作者，其指导的本科生周翔宇为第一作者，屈军乐教授、彭晓副教授等为共同作者，深圳大学为第一完成单位。
1. 研究背景
傅里叶叠层显微成像技术是突破传统光学显微镜视场与分辨率物理极限的核心技术，在数字病理、活细胞成像、循环肿瘤细胞检测等生物医学领域应用广泛。然而，传统迭代重建算法依赖多角度照明采集，计算复杂度高、重建耗时长，难以满足术中病理、动态观测等对快速反馈有要求的应用场景；现有深度学习重建方法普遍仅输出确定性结果，无法对预测结果的置信度做量化评估，直接制约了深度学习成像技术在临床定量场景的可靠落地。
2. 技术创新
针对这一技术痛点，本研究提出“频域多尺度调制+双维不确定性校准”的创新思路，设计并构建了LUCID深度学习框架。该框架以自研的傅里叶叠层特征调制网络（FPFMN）为主干，核心的频域自适应特征调制模块直接在傅里叶频谱上执行多尺度可学习门控，天然适配带宽受限的成像重建任务；同时采用双分支任务头设计，同步输出高分辨率重建结果与像素级偶然不确定性图谱，并通过高效贝叶斯末层策略实现认知不确定性估计，仅增加不到2%的推理开销即可完成双维度不确定性量化(图1)。
图1 FLIStitcher大视场荧光寿命图像拼接工作流程
3. 验证与应用成果
一、轻量高效，实用性强。模型仅含0.71M参数，参数量较现有领域最优模型小两个数量级；仅需输入单帧常规明场图像即可完成重建，无需额外硬件改造，重建速度较传统迭代方法提升超100倍，可满足临床与科研场景的实时性需求。
二、精度领先，通用性广。在涵盖10类生物样本的公开基准数据集上，模型在多项核心画质指标上全面超越现有最优方法，同时规避了生成对抗类方法常见的伪影问题；其频域架构具备良好迁移性，可适配荧光超分辨成像任务，重建分辨率接近理论物理极限。
三、置信校准，可靠性高。输出的双维度不确定性经过实验验证，校准度优异，可转化为直观的可信度图谱，为生物医学定量分析提供可解释的质量保障，填补了现有深度学习成像方法的可靠性评估空白(图2-3)。
图2 LUCID同时给出高保真重建结果与对应不确定性评估及三档置信度图
图3 基于LUCID的计算超分辨成像和不确定性评估
4. 研究总结
本文构建的 LUCID 计算成像框架展现出良好的鲁棒性与泛化性能，综合指标优于现有主流算法模型。凭借该优势，本技术可灵活应用于多种生物样本研究，涵盖病理切片分析、荧光显微检测、超分辨成像等多元场景，具备可观的迭代升级与实际落地潜力。
项目支持
该研究得到了国家自然科学基金、广东省基础与应用基础研究基金、深圳市科技计划、射频异质异构集成全国重点实验室自主科研项目及深圳大学创新发展基金等资助。
原文链接：https://doi.org/10.1002/lpor.71911
