电子显微镜（EM）已经改变了我们观察细胞内部详细结构的能力。三维电子显微镜的进化，称为体积电子显微镜（vEM），显著提高了我们在三维中捕获纳米尺度图像的能力。然而，与成像速度、质量和样本大小有关的挑战仍然限制了可以有效成像的空间区域和体积。同时，人工智能（AI）在各个科学领域越来越成为一项关键参与者，促进发现并作为研究方法中的重要资源。
鉴于近期在AI驱动的图像生成技术方面的进展——特别是通过复杂的扩散模型——香港大学化学系张海波教授和电子与电子工程系齐小娟教授领导的研究团队开发了一套名为EMDiffuse的算法。这种新方法旨在提升成像能力，并解决EM和vEM中遇到的权衡问题。他们的研究已发表在《自然通讯》上。
对于标准的2D EM，EMDiffuse显著提高了真实高质量图像的恢复，即使从带有噪声或低分辨率的图像开始，仍能展示详细的超微结构特征。不同于其他专注于去噪或超分辨率的深度学习技术，EMDiffuse采用了一种独特的方法，其中解决方案从期望分布中抽样。这样，低质量图像在扩散过程的每个阶段用作指导因素，从而确保生成的结构保持准确。这意味着低质量输入主动塑造恢复，而不仅仅是作为起始参考。扩散模型有效地抵消模糊，实现接近真实表示的分辨率水平，这对于详细的超微结构分析至关重要。此外，EMDiffuse的多功能性使其能够直接应用于不同的数据集，或使用仅一对训练图像进行最小的微调。
在vEM领域，当前技术常常难以捕获大型样本的高分辨率3D图像，特别是在深度（“z方向”）方面，这妨碍了对线粒体和内质网等重要三维细胞结构的全面研究。
EMDiffuse提供了两种适应性策略来克服这一挑战。它可以利用“各向同性”的训练数据——在所有维度上分辨率一致且较高的3D数据集——来学习和增强其他3D数据的轴向分辨率。或者，EMDiffuse可以使用自我监督的方法评估和改善现有3D图像的深度分辨率，而无需专门的训练数据。这种灵活性使EMDiffuse能够显著提高3D电子显微镜数据的质量和适用性，以满足各种研究目的。
增强的体积在检查超微结构特征方面显示出显著的精度，例如线粒体嵴和线粒体与内质网之间的相互作用，这在原始各向异性体积中可能难以观察到。由于EMDiffuse不依赖于各向同性的训练数据，它可以直接应用于任何可用的各向异性体积，以增强其轴向分辨率。
EMDiffuse标志着EM和vEM成像潜力的重要飞跃，增强了捕获数据的图像质量和轴向分辨率。论文的共同作者之一张海波教授表示：“在这个基础上，我们期待EMDiffuse算法的进一步发展和快速进展，为全面探索大型生物实体内复杂亚细胞纳米尺度超微结构打开大门。” 论文的另一位共同作者齐小娟教授补充道：“随着这一AI驱动的成像技术的发展，我们期待看到它在帮助研究人员发现生物系统中以前未探讨的操作机制方面的作用。”
