中国科学技术大学精密机械与精密仪器系李保庆团队在图像流式技术相关研究领域取得重要进展。该技术通过使用传统荧光显微镜和微流控芯片技术，实现了单细胞的高通量实时成像，解决了图像流式系统复杂、价格昂贵、成像质量低的问题。同时，该研究使用深度学习算法对细胞图像进行分类，提高了分类的精度与速度。该成果以“Real-time fluorescence imaging flow cytometry enabled by motion deblurring and deep learning algorithm”为题，发表在工程技术1区TOP期刊《Lab on a Chip》（2023,23,3615-3627）。
荧光成像流式细胞术（IFC）已被证明是分析异质细胞群中特定细胞亚群的关键生物医学技术。然而，荧光细胞的高速流动导致细胞图像中的运动模糊，使得从原始图像中识别细胞类型具有挑战性。为了解决这个问题，常见的方法是通过先进的光学方法获取细胞的无模糊图像，然后使用传统的特征提取算法或深度学习算法识别细胞类型。但是这些系统通常复杂与昂贵，并且需要特殊的光学模块，这严重限制了其在非专业实验室中的广泛应用。本文提出了一种基于纯软件的实时单细胞成像和分类方法，仅需传统的商用荧光显微镜即可搭建实现。如图一所示，荧光成像和分类系统由三个主要组件构成：微流控芯片、荧光显微镜、用于图像采集和分类的计算机。通过压力泵把细胞悬浮液和鞘液分别注入两个样品入口。细胞在鞘流的作用下沿着微通道的中心排列。当细胞通过检测区时，来自单个细胞的荧光图像被相机捕获，图像被传输到计算机并被实时处理。由于曝光时间长，相机拍摄的原始图像会变得模糊，影响识别精度。
图一 实时单细胞荧光成像与分类系统原理图及工作原理。
本文提出了两种方法来识别细胞类型。一种方法是基于搜索的运动去模糊算法，如图二所示。该方法首先通过搜索算法来计算最优运动模糊核，然后使用约束最小二乘滤波算法根据最优运动模糊核和原始模糊图像重建清晰图像，最后通过特征提取算法从去模糊图像中提取细胞的形态特征，并将其作为识别细胞类型的标准。另一种方法是使用18层深度的ResNet从模糊图像中直接识别细胞类型，以提高分类精度并减少处理时间。
图二 无模糊图像重建和特征提取的过程。
为了证明该技术成像和分类的能力，本文重建并分类了不同细胞周期中HeLa细胞亚群的图像，如图三所示。细胞周期是指细胞从上一次有丝分裂完成到下一次有丝分裂结束的整个过程，分为间期和有丝分裂两个阶段。间期包括G1、S和G2期，而有丝分裂包括前期、中期、后期和末期。尽管传统的流式细胞术可以区分G1、G2/有丝分裂和S期三个细胞周期阶段的细胞，但它无法将细胞分为不同的有丝分裂阶段。本文使用特征提取算法对去模糊图像中HeLa细胞的细胞周期进行分类，可以分为间期/前期、中期、后期/末期。同时，清晰图像中还观测到了细胞簇的存在。
图三 HeLa细胞在四种条件下的原始荧光图像和去模糊结果的图像对。
进一步地，本文还提出了根据重建后的清晰图像标记模糊图像类别的方法，从而构建了用于深度学习模型训练的模糊图像数据集。经过训练的ResNet模型对不同类别的HeLa细胞的分类实现了96.6%的高准确率，处理时间仅为2ms。该技术为实现单细胞荧光图像流式细胞仪和实时细胞分类提供了一种简单的方法，在病理学、免疫学、微生物学、癌症治疗和分子生物学中有巨大的应用潜力。
精密机械与精密仪器系博士生王一鸣为本论文的第一作者，李保庆副教授为该论文的通讯作者。这项工作得到了国家重点研发计划、国家自然科学基金、安徽省自然科学基金、海外及港澳合作基金支持。
文章链接：https://pubs.rsc.org/en/content/articlelanding/2023/lc/d3lc00194f