IF36.1｜MicroSplit：单通道同时成像多结构并计算解混

MicroSplit让多种细胞结构在单一荧光通道同时成像，再靠深度学习解混，大幅节省光子预算。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

荧光显微镜是观察细胞和组织内结构与动态的核心工具。传统多重成像通过给不同结构标记不同荧光团，再依次成像获得多通道图像，但荧光团激发光谱重叠限制了可同时使用的荧光团数量，且顺序采集需要多次曝光，消耗光子预算、限制活细胞成像速度。光子预算有限时，减少每次曝光会导致图像噪声增加，影响后续分析。因此，领域需要一种既能提高成像通量、又能保持图像质量的方法。

科学问题

卡在哪里： 现有计算解混方法如光谱解混或PICASSO需要多张具有不同光谱重叠的图像作为输入，成像过程仍较复杂且光子效率不高。此外，缺乏对解混结果可靠性的量化评估，用户难以判断预测中哪些区域可信。

本文要回答： 本文旨在开发一种仅需单张叠加图像即可将其中多种细胞结构计算解混为独立通道的方法，同时实现去噪和不确定性估计。

技术路线

作者主要用了：变分分裂编码器-解码器网络、无监督去噪、侧向上下文输入、后验采样。

作者设计了MicroSplit，将μSplit的侧向上下文输入与denoiSplit的无监督去噪和变分采样能力结合。训练时，输入为多结构叠加图像（可通过像素求和或直接采集获得），目标为各结构的单独图像（可含噪声）。网络学习从叠加输入预测各结构通道，同时利用噪声模型进行无监督去噪。变分架构允许从后验分布采样多个解混结果，通过样本间变异性估计预测误差。作者在10个数据集上定义了36个解混任务，覆盖2D/3D、不同噪声水平和结构类型，验证了方法的广泛适用性。

图 1　Fig. 1。图1展示MicroSplit的核心概念。a为传统多重成像：不同结构用不同荧光团标记，分别成像。b为MicroSplit方法：多种结构在同一通道同时成像，叠加后由神经网络分离为独立通道。c说明光子预算的节省：传统方法需多次曝光，而MicroSplit一次曝光即可，节省的光子可用于提高帧率或SNR。d-f为三个解混任务示例，显示输入叠加图像、目标图像和预测图像，预测图像噪声更低且结构清晰。

核心亮点

亮点 1｜单通道同时成像多结构并成功解混

MicroSplit在24个2D和6个3D任务中，将最多四种叠加的细胞结构（如微管、线粒体、细胞核等）分离为独立通道，平均PSNR达32.53，MicroMS-SSIM达0.886。即使训练数据本身含噪声，网络也能输出去噪后的解混图像。例如在HT-LIF24数据集中，使用2ms极短曝光时间获取的低SNR数据训练，解混结果PSNR仍>30.8，MicroMS-SSIM>0.94，表明方法对噪声鲁棒。

图 2　Fig. 2。图2展示MicroSplit的架构和不确定性估计。a为网络结构：输入叠加图像，通过侧向上下文（LC）分支和变分训练，同时进行无监督去噪（蓝色区域）和监督解混（红色区域）。b为误差估计示例：输入patch、两个后验样本、样本间差异热图、MMSE预测（50样本平均）和估计RMSE。c为10个后验样本，显示在模糊区域（红色箭头）样本间变异性高，而清晰区域（青色箭头）变异性低。校准图显示估计RMSE与真实误差线性相关。

亮点 2｜变分采样实现预测误差估计与校准

MicroSplit基于变分网络，可从后验分布采样多个解混结果。通过计算50个后验样本的逐像素RMSE，作者展示了该估计与真实误差（与目标图像比较）呈线性关系，证明网络校准良好。在模糊区域（如点状结构），后验样本间变异性高，RMSE也高，从而可定位不可靠预测区域。这一特性使用户无需真值即可评估解混结果的可信度。

图 3　Fig. 3。图3展示解混图像的下游分割质量。a为三个分割任务（每个任务一个解混通道）的概览和放大图。b、c为两个任务的分割结果，比较了三位分析师在目标图像和预测图像上的分割一致性。结果显示，解混图像上的分割变异性在观察者间变异性范围内，表明解混不损害分割质量。

亮点 3｜解混图像支持高质量下游分割

三位生物图像分析师对传统多通道图像和MicroSplit解混图像分别进行交互式分割。结果显示，解混图像上的分割质量与传统图像相当，分割变异性在观察者间变异性范围内。这表明解混不会损害下游分析，且由于节省了光子预算，可用于更高帧率或更高SNR成像。

图 4　Fig. 4。图4展示去除成像伪影的应用。a为原始输入图像（含细胞核和点状伪影）和MicroSplit预测图像（仅细胞核），并显示强度直方图。b为放大视图，对比输入和预测，差异热图显示伪影被有效去除而细胞核信号保留。

亮点 4｜去除成像伪影：分离非特异性点状信号

在hPSC来源前脑类器官的CTIP2染色中，存在非特异性点状伪影。作者手动裁剪仅含细胞核或仅含伪影的区域（Training Mode IIb），训练MicroSplit将伪影作为独立通道解混。结果显示，预测图像中伪影被有效去除，而细胞核信号基本保留，差异热图证实了点状信号的消除。

亮点 5｜大幅节省光子预算

通过放宽发射滤光片，MicroSplit可比传统多色成像多收集22%-55%的光子（取决于滤光片配置）。此外，其内置去噪能力允许使用更低曝光时间：在HT-LIF24数据上，2ms曝光并经MicroSplit去噪的图像质量优于5ms甚至20ms原始图像，表明光子预算需求可降低3-10倍。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 变分分裂编码器-解码器网络、无监督去噪、侧向上下文输入、后验采样
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事荧光显微成像、图像分析或需要高通量活细胞成像的研究人员。

带走一句

MicroSplit证明单通道叠加成像加计算解混可行，且自带去噪和误差估计，为节省光子预算、提高成像通量提供了实用工具。