单分子定位显微镜（single-molecule localization microscopy，SMLM）看成三大主流超分辨成像技能之一，因其兼具超高空间分辨率与分子特异性，在显微成像规模领有独到的上风。连年来，深度学习规范的引入显赫进步了SMLM在低信噪比与高分子密度条款下的定位证明。当今，以高内涵筛选（high-content screening）为方针的高通量超分辨成像技能已成为SMLM发展的主要办法。现存深度学习汇集因其模子复杂度高，在高通量成像场景中无边存在处理延时长、资源破钞大等问题，严重制约了其在试验应用中的部署。天然已有一些模子压缩技能可裁汰汇集复杂度，但频频以放置定位精度为代价开云kaiyun官方网站，难以得志SMLM对高精度定位的需求。
为措置上述问题，计划团队淡薄了LiteLoc—一种勾通轻量化深度学习汇集与可扩张竞争式并行数据分析计谋的高效框架。该框架集成了由粗、细特征索要器组成的轻量化深度学习汇集结构，并通过GPU集群并行分析杀青性能最大化。在8张RTX 4090显卡上，LiteLoc杀青了杰出560 MB/s的数据糊涂量，疏忽及时处理应代sCMOS相机聚集的高通量超分辨成像数据。本计划为基于深度学习的SMLM建立了一个兼顾定位精度与策动恶果的新基准，为人命科学规模的高效、可扩张成像使命历程提供了高效的措置有打算。
张开剩余83%时时传统图像中的方针特征漫衍在整张图像的不同区域；比拟之下，单分子定位数据可被理解为无边时空分离的模块，每个模块仅包含局部荧光分子的关系信息，相互之间相互孤苦（如图1a所示）。可是，现存基于深度学习的单分子数据分析软件多接受串行处理款式，数据分析历程中CPU和GPU资源未被充分期骗。LiteLoc淡薄的并行分析框架不错最大律例地期骗硬件策动资源，将通盘数据分析历程模块化为数据读取/预处理、汇集推理、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样子式同期读取与分析处理数据。最终数据分析总耗时与子程度推理险些一致（如图1b所示）。
传统卷积神经汇集时时通过堆叠多个卷积层来索要多圭臬特征。为杀青更高恶果，空泛卷积因其在督察参数与策动量不变的同期能扩张感受野而受到关怀。LiteLoc的轻量化深度学习汇集结构由两部分组成：一是由空泛悉数递加的空泛卷积组组成的粗特征索要器，二是由简化版U-Net组成的细特征索要器（如图1c所示）。该结构通过增大感受野、增强特征复用恶果与会通多圭臬信息，有用地将模子复杂度裁汰了一个数目级（如图2a所示）。与此同期，LiteLoc在定位精度上与现时最优算法DECODE非常以致更优（如图2c-f所示）。况且，和传统的像素到像素的权衡样式不同，LiteLoc接受的是结构化权衡，径直面向单分子特征进行建模与定位，疏忽在原始像素分辨率的基础上达到杰出像素尺寸十分之一的精度。勾通GPU集群并行分析框架，LiteLoc杀青了567.6 MB/s的总分析速率，杰出旧例SATA SSD的读取上限（500 MB/s）。
为评估LiteLoc的定位性能，计划团队分辩对基于散光点扩散函数（point spread function，PSF）和6 µm DMO-Tetrapod PSF对标准结构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）。计划标明，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平面准确贯通出集中盖玻片的双层环结构（如图3c所示）。在6 µm DMO-Tetrapod PSF实验中，三种算法均能约莫收复细胞坎坷名义的核孔卵白漫衍（如图3e所示）。
可是，由于单个分子的光子漫衍边界更大、原始显微图像信噪比较低，DeepSTORM3D权衡的定位点较为分散，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），暴表露LiteLoc具有更高的定位准确度。在分析速率方面，在疏通硬件条款下，LiteLoc的分析耗时仅为DECODE的28.8%、DeepSTORM3D的1.5%，显赫进步了单分子数据的处理恶果；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。
在相对高密度条款下的基于散光PSF的微管成像实验中，DeepSTORM3D的重建末熟察似会出现网格伪影（如图4所示）。其原因在于DeepSTORM3D接受二值化的上采样体素进行权衡，使定位精度受到体素大小的截至。比拟之下，LiteLoc和DECODE汇集均可权衡亚像素级偏移量。可是，DECODE频频将高不确定性的权衡偏向像素中心，从而在重建中产生网格伪影。LiteLoc则通过密集一语气进步定位置信度，况且空泛卷积引入了寥落的像素级策动，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软件撑抓的PSF建神气式有限，而在试验成像中计划者频频需凭证具体成像需求聘请不同建神气式。样条插值PSF较为浅显，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，更相宜用于包含深度与视场依赖像差的场景。LiteLoc同期撑抓两种PSF建神气式用于考试。
要而言之，计划团队淡薄了一套面向高通量SMLM的轻量化深度学习可扩张并行分析框架。该规范在保证高定位精度的前提下，将汇集推理速率进步三倍以上，显赫缓解了PSF复杂性、结构化数据伪影和成像条款各种性带来的挑战，适用于不同生物样本的超分辨成像任务。其在8张RTX 4090 GPU上的总处理速率杰出560 MB/s，具备及时处理才能，未来有望应用于闭环成像系统与在线质料律例。此外，LiteLoc对策动资源的需求较低，便于集成至标准SMLM分析历程，并与聚类、跟踪或结构重建等下贱模块勾通，杀青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。
科学技能的发展离不开科研仪器的跳动。凯视迈（KathMatic）自2014年创建以来，一直“悉力于高精尖光学测量技能”，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开云kaiyun官方网站，获得了细致的市集收货。细目接待留言商量!
发布于：江苏省