L'UCLA Publie Un Modèle De Diffusion Bidirectionnelle Par Pont Brownien Pour Améliorer La Reproductibilité Des Résultats De Teinture Virtuelle, Réduisant Ainsi Considérablement La Variance De Sortie
La spectrométrie de masse imageante (IMS) est largement utilisée en biologie grâce à ses avantages : absence de marquage, imagerie multimoléculaire simultanée et combinaison de localisation spatiale et de quantification. Comparée à la spectrométrie de masse traditionnelle, l'IMS permet de cartographier les espèces moléculaires dans les tissus biologiques de manière non ciblée et hautement multiplexée, visualisant la distribution de multiples composants aux niveaux tissulaire, cellulaire et même subcellulaire. La haute résolution spatiale de l'IMS offre un potentiel considérable pour la localisation des cibles médicamenteuses, la distribution spatiale des métabolites et la recherche sur les mécanismes de production des médicaments, faisant progresser le diagnostic et la détection de maladies majeures telles que le cancer métastatique, la maladie d'Alzheimer et la maladie de Parkinson.
L'IMS a une large couverture moléculaire et une spécificité chimique élevée, maisLa plupart des plateformes IMS manquent de résolution spatiale au niveau de la microscopie et de contraste de morphologie cellulaire, ce qui rend difficile de lier directement les profils moléculaires à des caractéristiques cellulaires précises sans informations supplémentaires.Pour remédier à cette limitation, les chercheurs ont proposé une méthode multimodale qui combine les données IMS avec la microscopie optique et ont développé une méthode d'intégration IMS-microscopie pour améliorer l'interprétabilité des données IMS grâce à l'affinage spatial des données IMS, à la prédiction de la distribution moléculaire hors échantillon et à l'exploitation des spectres moléculaires dérivés de l'IMS en fonction des caractéristiques de la microscopie.
Cependant, le recours aux méthodes multimodales sur des images en champ clair de coloration histochimique ou d’immunofluorescence augmente la complexité de l’expérience.Une équipe de recherche de l'UCLA a proposé une méthode de coloration histologique virtuelle basée sur un modèle de diffusion pour améliorer la résolution spatiale et introduire numériquement un contraste morphologique cellulaire dans les images de spectrométrie de masse de tissus humains sans marquage. Cette méthode permet de prédire des structures pathologiques cellulaires et tissulaires à haute résolution à partir de données IMS basse résolution, simplifiant ainsi le flux de travail des méthodes multimodales IMS en histologie moléculaire.De plus, l’étude a également utilisé un échantillonnage de bruit optimisé pendant le processus d’inférence du modèle de diffusion pour obtenir une coloration virtuelle répétable.
Les résultats de recherche connexes ont été publiés dans Science Advances sous le titre « Coloration virtuelle de tissus sans marquage en spectrométrie de masse par imagerie ».
Points saillants de la recherche :
* Le modèle de diffusion du pont brownien (BBDM) a été appliqué pour la première fois aux données IMS, permettant la conversion d'images ioniques basse résolution de tissus non marqués en images de coloration virtuelle haute résolution ;
* Optimiser la stratégie d’échantillonnage du bruit et introduire une stratégie d’échantillonnage moyen déterministe dans le processus de rétrodiffusion ;
* Proposition d'une stratégie de sélection de canal basée sur le rapport signal sur bruit (SNR), vérifiant la redondance et l'utilisation efficace des informations moléculaires IMS.
Adresse du document :
Suivez le compte officiel et répondez « Imagerie par spectrométrie de masse et coloration » pour obtenir le PDF complet
Autres articles sur les frontières de l'IA :
Prétraitement des données de spectrométrie de masse de tissus sans marquage
L'ensemble de données utilisé dans cette étude comprend des images ioniques obtenues par spectrométrie de masse (images ioniques) de tissus rénaux humains non marqués et des images en champ clair haute résolution (images en champ clair) des mêmes échantillons de tissus. Les données IMS de chaque échantillon de tissu ont été acquises par balayage matriciel au niveau du pixel avec un espacement latéral de 10 μm, générant un total de 1 453 images ioniques individuelles contenant des canaux de rapport masse/charge.
Après l'acquisition des données IMS par balayage raster au niveau des pixels, l'image en champ clair de l'échantillon de tissu haute résolution est enregistrée avec l'image ionique IMS correspondante.Pour faciliter l’enregistrement, l’équipe de recherche a également acquis des images de microscopie à autofluorescence de sections de tissus avant et après l’acquisition des données IMS.
Cette étude divise le prétraitement des données IMS brutes en quatre étapes :
* Exporter les données brutes vers un format binaire personnalisé et les reconstruire dans un spectre de masse pseudo-contour ;
* Corriger le désalignement du spectre en fonction des données d’alignement des pics d’identification internes ;
* Calibrer l'axe de masse de l'ensemble de données en utilisant les masses théoriques des pics identifiés en interne ;
* Des facteurs de correction de normalisation ont été calculés pour normaliser les spectres de masse et les images ioniques à l'aide de la méthode du courant ionique total et pour calculer le spectre de masse moyen pour chaque ensemble de données sur la base de tous les pixels.
L'ensemble de données utilisé dans l'expérience contient des images d'échantillons de tissus provenant de 14 patients. Parmi ces données, 712 paires d'images microscopiques IMS-PAS améliorées provenant de 4 patients sont utilisées pour l'entraînement du modèle, et 201 paires d'images microscopiques IMS-PAS non améliorées provenant des patients restants sont utilisées pour les tests du modèle.
Coloration histologique virtuelle basée sur un modèle de diffusion bidirectionnelle par pont brownien
Dans cette étude, l'équipe a converti des données de spectrométrie de masse d'imagerie sans marquage en images de coloration virtuelle, en s'appuyant sur le cadre de génération de base du modèle de diffusion en pont brownien (BBDM). Contrairement au modèle traditionnel de diffusion en pont brownien,Le modèle de diffusion adopte une conception de pont brownien bidirectionnel pour garantir que son processus direct est opposé au modèle de probabilité de diffusion de débruitage classique et réalise la dégradation de l'image de champ clair haute résolution cible vers l'image d'entrée IMS basse résolution.Le processus inverse peut reconstruire directement l’image cible sur la base des données d’entrée IMS.
aussi,Le modèle de diffusion du pont brownien adopte une stratégie d'échantillonnage moyen déterministe dans l'étape d'échantillonnage, ce qui améliore la cohérence et la répétabilité des images générées.Une fois que la stratégie atteint un instant précis, le bruit postérieur introduit lors du processus d'échantillonnage aléatoire standard est éliminé. Comparé aux modèles qui se terminent par un bruit pur et reposent entièrement sur des signaux conditionnels, le modèle de diffusion du pont brownien permet une transformation d'image plus stable. L'ensemble du processus d'inférence ne nécessite que des données IMS basse résolution en entrée, que le modèle supprime progressivement et génère une image colorée virtuelle haute résolution.
Après la formation, l’étude a évalué le modèle de pont brownien à l’aide d’un ensemble de données de test de tissu rénal humain indépendant qui n’avait pas été formé et validé.Les images de coloration virtuelle générées par le modèle de diffusion basé sur des données IMS à faible résolution montrent un degré élevé de cohérence visuelle avec les images de coloration en champ clair réelles.
Dans le même temps, les structures rénales clés ont également montré des résultats très similaires dans les images colorées virtuelles et les images colorées réelles.La robustesse et la bonne capacité de généralisation du cadre du pont brownien dans la coloration virtuelle des données IMS basse résolution sont entièrement vérifiées.
Évaluation quantitative des performances du modèle de coloration virtuelle
L'expérience a confirmé que le modèle de coloration virtuelle possède des capacités de super-résolution significatives grâce à l'analyse du spectre spatial et de la distribution des couleurs.L'analyse du spectre spatial révèle que, par rapport à l'image de spectrométrie de masse basse résolution d'entrée, l'image haute résolution présente une augmentation significative du spectre spatial sur toutes les plages de fréquences, ce qui améliore considérablement la résolution. De plus, le spectre de puissance moyenne radiale de l'image colorée virtuelle correspond étroitement à celui de l'image colorée réelle haute résolution, reproduisant fidèlement les caractéristiques de fréquence spatiale des structures biologiques.
Dans le même temps, des expériences comparatives sur des images haute résolution non appariées ont permis de vérifier davantage la spécificité du modèle de coloration virtuelle.Les expériences montrent que les caractéristiques spectrales des échantillons non appariés sont significativement différentes de celles des résultats appariés, et la similarité de l'histogramme des couleurs des images appariées basse et haute résolution est significativement meilleure que celle des échantillons non appariés, vérifiant la capacité du modèle à reproduire les caractéristiques de couleur inhérentes à la coloration chimique des tissus.
Comparaison quantitative entre les images PAS virtuellement colorées générées à partir de données IMS sans marquage et leurs homologues HS
Nombre de canaux d'image de spectrométrie de masse
Afin d'étudier l'impact du nombre de canaux d'imagerie par spectrométrie de masse sur les performances des modèles de coloration virtuelle, l'étude a comparé des stratégies de coloration avec différents nombres de canaux. L'équipe de recherche a évalué une série de modèles de coloration virtuelle avec différents nombres de canaux IMS, à partir d'un ensemble de données de test fixe. Les modèles comportaient 363, 91 et 23 canaux IMS, soit une réduction respective de 4, 16 et 64 fois par rapport aux 1 453 canaux initiaux. Pour chaque réduction de canal, l'expérience a évalué trois stratégies de sélection différentes :
* Stratégie de priorité du rapport signal/bruit : Triez les 1 453 canaux par ordre décroissant en fonction du rapport signal/bruit et sélectionnez le canal ayant le classement le plus élevé ;
Rapport signal/bruit : moyenne/écart type de tous les pixels d'un canal.
* Stratégie de priorité de fréquence : effectuer une transformée de Fourier bidimensionnelle sur l'image ionique de chaque canal, calculer le rapport de la puissance moyenne de la composante haute fréquence à la composante basse fréquence et sélectionner les canaux par ordre décroissant en fonction de ce rapport ;
* Stratégie d'échantillonnage uniforme : à partir du premier canal, les canaux sont sélectionnés à intervalles fixes, par exemple tous les 4 canaux pour une réduction de 4x, tous les 16 canaux pour une réduction de 16x et tous les 64 canaux pour une réduction de 64x. L'ensemble de canaux sélectionné par chaque stratégie reste cohérent tout au long du processus d'apprentissage et de test du modèle correspondant.
Les résultats de l’évaluation montrent queÀ mesure que le nombre de canaux IMS utilisés diminuait de 1 453 à 23, les performances des modèles de coloration virtuelle selon les trois stratégies diminuaient et des caractéristiques clés telles que la morphologie nucléaire étaient considérablement perdues.L'étude a utilisé le rapport signal/bruit de crête, la similarité des patchs d'images perceptuelles apprises (LPIPS) et le coefficient de corrélation de Pearson pour effectuer une analyse quantitative sur l'ensemble de test et a vérifié queLa fidélité du modèle de coloration virtuelle s’améliore considérablement avec le nombre de canaux.
Comparaison visuelle d'images colorées virtuelles obtenues par trois stratégies de sélection différentes
De plus, parmi les trois stratégies de sélection des canaux,Par rapport à la stratégie de priorité du rapport signal/bruit, la stratégie de priorité de fréquence et la stratégie d'échantillonnage uniforme présentent toutes des avantages de performance significatifs.Il a été vérifié que le modèle de coloration virtuelle peut préserver plus efficacement les informations moléculaires clés lorsque le nombre de canaux est faible.
Échantillonnage du bruit pour réduire la variance de sortie du modèle de coloration virtuelle
Dans la coloration virtuelle basée sur des modèles de diffusion, le caractère aléatoire de l'échantillonnage du bruit pendant le processus de diffusion inverse devient la principale cause des fluctuations des résultats de sortie. Pour remédier à ces fluctuations, l'étude a proposé une stratégie d'ingénierie d'échantillonnage du bruit ne nécessitant pas de réglage fin du modèle. En évitant l'augmentation de la variance du bruit à la fin de la diffusion inverse, la cohérence des résultats de coloration virtuelle dans le même champ de vision de tissu non marqué est améliorée. L'équipe de recherche a comparé trois méthodes d'échantillonnage basées sur le modèle du pont brownien entraîné :
* Échantillonnage de vanille : procédé standard de diffusion inverse ;
* Échantillonnage moyen : moyenne du chemin de bruit après le point de sortie conçu ;
* Échantillonnage par saut : Prédiction du domaine d'image cible de l'image en champ clair haute résolution directement via le réseau de débruitage après le point de sortie du projet.
Le point de sortie technique est un seuil de temps critique défini artificiellement lors de la génération inverse du modèle de diffusion. Il permet de basculer entre l'échantillonnage aléatoire et les stratégies de calcul déterministes dans le chemin d'échantillonnage du bruit afin de supprimer les fluctuations aléatoires des résultats de sortie.
L'étude a répété les trois méthodes d'échantillonnage cinq fois et a évalué leur cohérence en calculant les coefficients de variance des pixels entre les processus répétés de coloration virtuelle. Comparées à la méthode originale, les stratégies d'échantillonnage moyen et d'échantillonnage par saut ont toutes deux permis de réduire efficacement la variance des images de coloration virtuelle échantillonnées.
De plus, les chercheurs ont calculé la variance moyenne de tous les pixels du champ tissulaire non marqué de l'image test. À partir des résultats, comparés à l'échantillonnage initial,Les stratégies d'échantillonnage moyen et d'échantillonnage par saut peuvent toutes deux permettre d'obtenir une variance de sortie plus faible, prouvant ainsi que le processus de teinture virtuelle basé sur la diffusion dans le cadre de cette stratégie est reproductible.
Dans le même temps, la stratégie d’échantillonnage par saut produit des valeurs de coefficient de variation moyen inférieures par rapport à la méthode d’échantillonnage moyen.Cependant, la stratégie d'échantillonnage moyen produit des résultats qui montrent une similarité perceptuelle plus élevée avec les images haute résolution des sections de tissus colorées, obtenant ainsi la similarité perceptuelle apprise moyenne inférieure souhaitée.
L'étude a également moyenné les résultats de différents tests d'inférence sur le même champ tissulaire afin d'évaluer plus précisément les performances de la stratégie d'échantillonnage moyen. Les résultats ont montré que cette stratégie n'était plus performante que dans les scénarios où la cohérence était privilégiée par rapport au contraste de l'image.
Le coefficient de variation moyen calculé pour tous les champs d'images de test en utilisant les trois stratégies d'échantillonnage
Un nouveau paradigme pour l'analyse de la coloration virtuelle
Les techniques de coloration virtuelle basées sur des modèles de diffusion émergent comme un nouveau paradigme pour l'analyse de la morphologie des tissus sans marquage. L'équipe d'Aydogan Ozcan à l'UCLA a déjà réalisé de nombreuses avancées dans l'intégration des modèles de diffusion à la coloration des tissus. En mai 2025, l'équipe a utilisé le modèle de diffusion du pont brownien pour améliorer la résolution spatiale et la fidélité de la coloration virtuelle des tissus sans marquage, en réalisant une coloration virtuelle pixel par pixel en super-résolution, surmontant ainsi les limites des méthodes traditionnelles basées sur l'apprentissage profond.
L'équipe de recherche a intégré la technologie d'échantillonnage au processus d'inférence d'images basé sur un modèle de diffusion, réduisant ainsi significativement la variance des images de coloration virtuelle générées. En appliquant en aveugle le modèle de coloration virtuelle à super-résolution de pixels à des images d'autofluorescence basse résolution d'échantillons de tissus pulmonaires humains non marqués, l'équipe a démontré qu'il surpassait systématiquement les méthodes traditionnelles en termes de résolution, de similarité structurelle et de précision perceptuelle.Et atteint avec succès une super résolution de 4 à 5 fois les pixels.Cette recherche ouvre une nouvelle voie à fort potentiel pour la recherche dans le domaine du diagnostic clinique.
Coloration virtuelle en super-résolution de coupes de tissus non marqués basée sur la modélisation par diffusion
Les résultats de la recherche ont été publiés dans Nature Communications sous le titre « Pixel super-resolved virtual staining of label-free tissue using diffusion models ».
Adresse du document :
https://www.nature.com/articles/s41467-025-60387-z
Les progrès continus de l'IA dans le domaine de la coloration virtuelle des tissus ont permis de réduire les étapes fastidieuses de la coloration histochimique traditionnelle. Pour pallier le risque d'hallucinations et d'artefacts dans ces images de tissus virtuellement colorées, l'équipe d'Aydogan Ozcan a proposé un modèle autonome d'évaluation de la qualité et des hallucinations (AQuA) pour la coloration virtuelle des tissus et la pathologie numérique.
AQuA est capable de détecter la vraie valeur de la coloration histochimique sans avoir besoin d'obtenir la vraie valeur de la coloration histochimique.Le système a atteint une précision autonome de 99,81 TP3T dans la détection d'images de tissus colorés virtuels acceptables et inacceptables, et a obtenu une concordance de 98,51 TP3T avec les résultats d'évaluation manuelle par des pathologistes certifiés.Il démontre une grande adaptabilité à une variété d’images de tissus humains virtuels et colorés histochimiquement.
Ce cadre améliore la fiabilité de la coloration des tissus virtuels et offre une assurance qualité autonome pour les tâches de génération et de conversion d'images en pathologie numérique et en imagerie computationnelle. Les résultats de la recherche, intitulés « Un cadre robuste et évolutif pour la détection des hallucinations en coloration des tissus virtuels et en pathologie numérique », ont été publiés dans Nature Biomedical Engineering.
Adresse du document :
https://www.nature.com/articles/s41551-025-01421-9
Au-delà de la technologie de coloration virtuelle, les applications de l'IA au diagnostic clinique connaissent un essor sans précédent. L'intégration efficace de vastes quantités de données médicales par les modèles d'IA permet une prédiction précoce plus précise du risque de maladies majeures comme le cancer. Tout en améliorant l'efficacité clinique, l'IA transforme progressivement les modèles médicaux traditionnels d'évaluation, de prise de décision et de traitement.