2024年4月12日，来自复旦大学颜波团队在《自然—方法学》杂志上发表了标题为“Pretraining a foundation model for generalizable fluorescence microscopy-based image restoration.”的研究成果，预训练出一个基础模型用于基于荧光显微镜的通用图像复原。
据悉，受益于深度学习技术，基于荧光显微镜的图像复原在生命科学领域受到广泛关注，并取得了重大进展。然而，目前大多数针对特定任务的方法对基于荧光显微镜的不同图像复原问题的普适性有限。
UniFMIR在体积重建中的应用
在不同的成像模式、生物样本和图像恢复任务中实现有希望的结果需要训练多个特定的模型。最后，深度学习领域常见的数据依赖问题也影响了大多数基于荧光显微镜的图像恢复模型，由于基于深度学习的方法具有数据驱动的特点，其性能高度依赖于训练数据的质量和数量。因此，实验获取低质量和高质量训练图像对的现实困难使得基于深度学习的荧光显微镜图像恢复方法的实际应用变得复杂。
研究人员试图提高通用性，并探索将预训练基础模型应用于基于荧光显微镜的图像复原的潜力。研究人员提供了一个通用的基于荧光显微镜的图像复原（UniFMIR）模型来解决不同的图像复原问题，结果表明UniFMIR具有更高的图像复原精度、更好的通用性和更强的通用性。
在涵盖多种显微成像模式和生物样本的五项任务和14个数据集上进行的演示表明，经过预训练的UniFMIR可以通过微调将知识有效地转移到特定情况下，发现清晰的纳米级生物分子结构并促进高质量成像。这项工作有望为基于荧光显微镜的图像修复带来新的研究灵感和亮点。
文章来源：
Ma, Chenxi, Tan, Weimin, He, Ruian, Yan, Bo et al,Pretraining a foundation model for generalizable fluorescence microscopy-based image restoration.DOI: 10.1038/s41592-024-02244-3.Nature Methods：最新IF：47.99
