该研究提出了一套合理化深度学习显微成像技术框架，将光学成像模型及物理先验与神经网络结构设计相融合，合理化网络训练、预测过程，从而实现了高性能、高保真的显微图像去噪与超分辨重建，并结合实验室自主研发、搭建的多模态结构光照明显微镜（Multi-SIM）与高速晶格光片显微镜（LLSM），将传统TIRF/GI-SIM、3D-SIM、LLS-SIM和LLSM的成像速度/时程提升30倍以上，实现了当前国际最快（684Hz）、成像时程最长（最长可达3小时、60,000时间点以上）的活体细胞成像性能，首次对高速摆动纤毛（>30Hz）中转运蛋白（IFT）的多种运输行为以及完整细胞分裂过程中核仁液液相分离（liquid-liquid phase separation）过程进行快速、多色、长时程、超分辨观测。

该研究采用分步重建策略，首先利用所提出的融合成像物理模型和结构光照明先验的神经网络对原始SIM图像进行去噪和高频信息增强，然后通过经典解析算法进行SIM重建以获得最终的超分辨图像。针对晶格光片显微镜、共聚焦显微镜等宽场照明或点扫描成像模态，提出了一种可学习的傅立叶域噪声抑制模块（FNSM），以此构建了嵌入FNSM的通道注意力去噪神经网络架构，并基于显微成像数据本身的时空连续性，提出了时空交织采样自监督训练策略（TiS/SiS-rDL）。

信息来源：

https://www.nature.com/articles/s41587-022-01471-3

https://www.cas.cn/syky/202210/t20221009_4850250.shtml