百闻不如一见——但前提是要清楚它所描绘的是什么。这就是制作微观生命图像或视频的困难所在。虽然现代显微镜可以在几秒钟内从活体组织或细胞中生成大量图像数据，但从这些数据中提取有意义的生物信息可能需要数小时甚至数周的艰苦分析。

为了缓解这一主要瓶颈，由MBL研究员Hari Shroff领导的一个团队设计了深度学习和其他计算方法，可以大幅缩短图像分析时间，在某些情况下，可以匹配数据采集本身的速度。他们在本周的《自然生物技术》上报告了他们的研究结果。

“这就像从消防水龙带里喝水却不能消化你喝的东西，”Shroff说到有太多成像数据和没有足够后处理能力的常见问题。该团队的改进源于海洋生物实验室(MBL)正在进行的合作，主要从三个方面加速了图像分析。

首先，显微镜下的图像数据通常会因模糊而损坏。为了减少模糊，使用了一个迭代的“反褶积”过程。计算机在模糊图像和真实物体的估计之间来回切换，直到它达到对真实物体的最佳估计。

通过修补经典的反褶积算法，Shroff和合作者将反褶积速度提高了10倍以上。他们的改进算法被广泛应用于“几乎所有的荧光显微镜”，Shroff说。“我们认为这是一场绝对的胜利。我们已经发布了代码，其他组织已经在使用它。”

接下来，他们解决了3D配准的问题：对一个物体从不同角度拍摄的多个图像进行对齐和融合。Shroff说：“事实证明，注册大型数据集，比如光学显微镜，要比清除它们花费更长的时间。”他们发现了几种加速3D配准的方法，包括将其移动到计算机的图形处理单元(GPU)。这使得他们的处理速度比使用计算机的中央处理器(CPU)提高了10到100倍。

Shroff说：“我们在配准和反褶积方面的改进意味着，对于适合显卡的数据集，图像分析原则上可以跟上采集的速度。”“对于更大的数据集，我们找到了一种方法，有效地将它们分割成块，将每个块传递给GPU，做配准和反褶积，然后将这些碎片缝合在一起。”这是非常重要的，如果你想成像大块的组织，例如，从一个海洋动物，或者如果你清理一个器官使它透明，放在显微镜上。这两项技术进步确实使某些形式的大型显微镜得以实现并得到了加速。”

最后，该团队使用深度学习来加速 "复杂的解卷"--难以解决的数据集，其中图像的不同部分的模糊程度有很大差异。他们训练计算机识别严重模糊的数据（输入）和清洁、解卷的图像（输出）之间的关系。然后，他们给了它以前没有见过的模糊数据。"它的工作真的很好。经过训练的神经网络可以非常快速地产生解卷结果，"Shroff说。"这就是我们在解卷速度上获得数千倍改进的地方。"

尽管深度学习算法运行得出奇地好，但Shroff说：“需要注意的是，它们很脆弱。”也就是说，一旦你训练神经网络识别一种类型的图像，比如一个带有线粒体的细胞，它就能很好地反卷积这些图像。但是如果你给它一个有点不同的图像，比如细胞的质膜，它会产生伪影。愚弄神经网络很容易。”一个活跃的研究领域是创建以更普遍的方式工作的神经网络。

“深度学习增强了一切的可能性，”Shroff说。“这是一个分析数据集的好工具，用其他任何方法都很难。”