Cell Rep Methods | 让AI“看清”纳米尺度的大脑: 三维图像去噪技术助力高通量神经连接组学研究|三维图像|图像分析|电镜|神经元|神经连接组学

近日，中国科学院自动化研究所韩华研究员、陈曦研究员团队与上海交通大学医学院附属第九人民医院华云峰研究员团队合作，在Cell Reports Methods发表了题为 Volumetric Denoising Enables High-Throughput Volume Electron Microscopy an d Efficient Downstream Analysis 的研究论文。该研究提出了一种基于人工智能的三维去噪（Volumetric Denoising）流程，突破体电子显微镜（Volume Electron Microscopy）成像中“速度与质量难以兼顾”的瓶颈，为大规模神经连接组学研究提供了新的技术方案。

研究背景：破解体电镜成像难题

人类大脑由数千亿个神经元组成，神经元之间通过复杂的突触连接形成庞大的信息网络。要理解这些神经元的精密连接关系，需借助具有纳米级分辨率的显微成像技术，对脑组织进行三维重建。体电镜技术结合了连续超薄切片和电镜成像，使研究人员可以在所需的空间分辨率下观察神经纤维、突触、线粒体等关键结构。然而，随着成像规模不断扩大，一个长期存在的矛盾逐渐显现：加快成像速度，图像噪声越高；提高图像质量，又消耗大量成像时间。这一限制成为推动大规模神经连接组学研究的主要技术瓶颈之一。

AI赋能：从“ 图像降噪”到“ 还原结构”

针对这一问题，研究团队提出了全新的思路：利用人工智能理解三维生物结构信息，而不仅仅是机械地去除图像噪声。传统二维图像去噪主要针对单张图像进行处理，容易造成伪影或失真。而体电镜数据本质是空间上连续的结构，相邻切片包含冗余的结构信息。因此，团队提出体积去噪的流程，充分利用连续切片之间的结构，在保留真实细胞结构的基础上，尽可能去除图像的随机噪音。团队进一步验证发现：经体积去噪处理后的数据能够显著改善神经纤维、线粒体、突触等亚细胞结构的智能分割效果，降低后续人工校验的工作量，为未来开展更大规模、更高效率的神经连接组研究提供了有力支持。

展望未来：从“采集更多数据”到“智能获取数据”

这一研究的重要意义在于改变了传统电镜成像的思路。过去，研究人员往往依靠延长成像时间和提高电子束流来获得清晰图像，这无疑更符合人类视觉感知的喜好，而对于人工智能图像分析并非最优解。该研究表明：未来的高通量电镜成像应当以自动化图像处理为主，针对机器的特性来优化数据采集策略。作为概念证明，增加空间采样频率与体积去噪算法的结合能够支持更高效的体电镜数据采集，推动生物电镜三维成像领域的发展。这一技术理念不仅适用于体电镜，也有望拓展到其它三维显微成像领域，为生命科学研究提供新的智能化工具。