2024年5月16日，中国科学院生物物理研究所李栋团队与清华大学自动化系戴琼海院士团队联合宣布，他们基于显微图像的噪声模型和零样本学习理论，成功开发了一种创新的零样本通用显微图像处理框架——ZS-DeconvNet，并推出了相应的一键式显微图像处理软件。

ZS-DeconvNet框架能在无监督的情况下，仅使用单张低分辨率或低信噪比的图像进行训练，显著提升显微图像的分辨率，超越传统衍射极限的1.5倍以上，同时将工作荧光强度降至传统超分辨率成像条件的十分之一。该框架具备以下四个显著特性：

（1）物理性：框架的设计灵感来源于光子噪声、光学显微成像和图像空间连续性的物理原理，构建了自监督损失函数，并从理论上证明了其收敛性。这意味着ZS-DeconvNet无需额外的训练集即可学习去噪和超分辨的能力。

（2）通用性：ZS-DeconvNet框架适用于全内反射、三维宽场、晶格光片、共聚焦等多种显微成像模式。特别是该框架首次实现了基于结构光照明显微镜图像的无监督训练。

（3）鲁棒性：即便在动态和光敏的生物成像环境中，ZS-DeconvNet也能展现出强大的适应性，并提供高质量的显微图像。

（4）易用性：为了使非AI专家也能轻松使用ZS-DeconvNet，研究团队开发了Fiji插件，集成了训练与预测功能，并提供了详细的使用教程。

通过一系列活体生物实验，研究团队证明了ZS-DeconvNet在多种成像模态中的卓越性能，包括双色超分辨成像分析内体动力学、高时空分辨率可视化细胞骨架动力学、三维三色超分辨实时成像揭示细胞器相互作用，以及观察线虫和小鼠胚胎内部结构的动态演化等。

ZS-DeconvNet为生命科学研究提供了一个功能强大的工具，不仅有助于推动显微成像技术的发展，更为生物学研究者提供了一种新的研究手段，有望在生物医学研究和临床应用中发挥重要作用。

信息来源：

https://www.nature.com/articles/s41467-024-48575-9