基于知识蒸馏的自监督 3D 生物显微图像 Z 切片增强

三维生物显微技术显著推动了我们对复杂生物结构的理解。然而，由于显微技术局限、样品特性或光毒性，常导致 z 方向分辨率较差，阻碍准确的细胞测量。在本文中，我们引入 ZAugNet，一种快速、精准且自监督的深度学习方法，用于增强生物图像的 z 方向分辨率。通过在连续切片之间进行非线性插值，ZAugNet 每次迭代可有效翻倍分辨率。在多种显微技术模态和生物对象的对比实验中，它在大多数指标上超越了竞争方法。我们的方法采用生成对抗网络 (GAN) 架构结合知识蒸馏，以最大化预测速度而不损害准确性。我们还开发了 ZAugNet+，一种支持在任意距离上连续插值的扩展版本，特别适用于切片间距不均的 数据集。ZAugNet 和 ZAugNet+ 提供了高性能、可扩展的大规模 3D 成像 z 切片增强解决方案，作为 PyTorch 开源框架发布，并提供直观的 Colab 笔记本界面，便于科学 community 轻松访问。