近日，我院程胜华教授团队在《Nature Communications》杂志发表题为“A foundation model for multi-task cross-distribution restoration of fluorescence microscopy images”的研究论文。医学信息研究所的博士研究生陆琪琪为该论文的第一作者，华中科技大学曾绍群教授和南方医科大学程胜华教授为共同通讯作者。同时，该论文作为领域内近期发表的50篇Featured articles之一被收录于Nature communications的Editors' Highlights（Biotechnology and methods）板块（https://www.nature.com/collections/idhhgedgig）。
深度学习算法在将受到噪声、模糊或欠采样影响而退化的荧光显微图像恢复为高质量图像方面显示出强大的能力。然而，现有大多数深度学习网络通常只针对单一任务进行设计和训练，而且训练数据规模有限、分布较为单一，因此在生物学研究中的泛化能力和实际应用价值仍然受限。针对以上问题，程胜华教授团队提出了一种用于荧光显微图像恢复的基础模型FluoResFM，可在统一框架下同时支持多任务处理和跨分布泛化。FluoResFM通过引入文本先验信息，例如任务类型、成像对象和成像条件，使模型能够灵活适应不同任务及数据分布。该模型基于超过430万对配对图像块进行训练，涵盖三类任务——图像去噪、反卷积和超分辨率重建，以及20余种生物结构类型。实验结果表明，FluoResFM不仅具有更优的图像恢复性能，也表现出更强的泛化能力。在上述三类任务中，面对内部数据集和未见的外部数据集，在各种生物结构类型和成像条件下，FluoResFM都能够实现高保真的图像重建。得益于其出色的泛化能力，FluoResFM在处理未见数据时，只需利用单一样本进行微调，就能进一步提升性能，并达到与传统深度网络相当的效果，而后者通常需要依赖数百个样本进行训练。此外，FluoResFM还可通过微调便捷地扩展到更多任务，包括3D图像恢复、3D体数据表面投影、各向同性重建以及不同倍率下的超分辨率重建。借助FluoResFM恢复得到的高质量图像，现有的细胞和细胞器分割模型性能也能够进一步提升。为了便于生物学研究人员使用，我们还开发了一个易于上手的napari插件。FluoResFM可作为一种通用而灵活的基础模型，广泛地用于荧光显微图像的处理与分析。
该研究得到了国家自然科学基金项目、广东省基础与应用基础研究基金和广州市科技计划项目的资助。
论文链接：https://www.nature.com/articles/s41467-026-70307-4