広域蛍光顕微鏡法の分解能は、低い軸方向の解像度による焦点外の背景によって制限されています。この課題に対処するため、研究者たちはET2dNetと呼ばれる深層学習ベースのEPI-TIRFクロスモダリティネットワークを開発しました。このネットワークは、ハードウェアの変更なしに単一の広域画像からTIRFに匹敵する背景除去と軸方向のスーパー解像度を実現します。物理に基づいたハイブリッドアーキテクチャを採用し、登録されたEPI-TIRF画像ペアとの監視学習と自己監視型物理モデリングを組み合わせています。ET2dNetは、新しい画像セットアップへの適応を容易にし、細胞や組織サンプルでの厳密な検証を経て、その背景抑制能力と軸方向解像度の向上が確認されています。また、知識蒸留を用いてET3dNetを開発し、アーティファクトが少ない三次元再構成を可能にしました。このフレームワークは追加のハードウェアコストや複雑さを避けることで、軸方向のスーパー解像度イメージングをより利用しやすくし、ライブセル研究や臨床病理学において大きな可能性を示しています。