非线性光学显微镜在过去几十年里已经成为生物医学研究的强大工具。这些无需标记、高分辨率且对样本损伤较小的成像技术在神经科学、细胞生物学和组织工程等多个领域都有广泛的应用。多光子显微镜中的二次谐波发生(SHG)和双光子激发荧光(TPEF)两种模式的结合可以同时探测生物样本的分子和结构特征,为生物过程的深入理解提供了可能。然而,非线性光学显微镜的成像速度和质量仍然受到系统中固有噪声的极大限制。随着机器学习的发展,目前已经有许多图像增强方法用来解决非线性光学显微成像所面临的挑战。
图1. 深度神经网络示意图
神经网络是一种常见的机器学习模型,它可以通过多层的线性连接来对复杂的信号处理过程进行建模,图1是一个典型的深度神经网络的示意图。每个圆圈代表一个神经元,其中的数字是由前一层的加权和得到的,输入层到输出层之间经过了多个隐藏层。在降噪领域,模型的输入是带有噪声的信号,模型的输出是去除噪声的信号。通过大量的带噪声和无噪声的数据对,最小化损失函数来训练神经网络,使其具有降噪的能力,这就是所谓的监督学习。
本文中提出了一种基于无监督学习的非线性光学显微镜图像降噪方法,称为表示与增强(Representation and Enhancement, RE)[1]。这种方法的优点是无需对噪声特性进行限制性假设,无需纯净图像作为目标,只需要少量的训练图像。结构图如图2(a)所示。这个系统由一个编码器和一个重构器组成。编码器是一种将输入的图像转换为可识别数据的网络,重构器则是用于生成去噪图像的网络。
图2. (a)模型结构图(b)去噪结果对比 [1]
编码器的输入是给原始的输入图像混入期望为0的高斯噪声得到的两张图像,分别得到输出后,通过最小化这两张输出图像的均方误差作为损失函数来训练编码器。通过最小化损失函数,编码器可以学习到无噪声的潜在表示,捕获图像的底层结构,同时忽略添加的噪声。这种方法提供了一种简单而有效的方式,在模型中实现了准确的去噪性能。重构器从编码器网络接收无噪声的潜在表示,生成去噪图像。为了确保模型保持其去噪能力并避免在重建过程中引入噪声,将重构器的输入额外混入噪声。在训练期间增加输入噪声的可变性来增强模型的适应性,从而确保该模型专注于图像中的底层内容和结构,而不是过度拟合训练数据中的特定噪声模式。重构器的损失函数采用标准差来表示。
文章中采用了两个标准的图像质量评价指标,一个是峰值信噪比(PSNR),一个是结构相似性指数(SSIM),它们的值越高表明图像质量越好。从图2(b)中可以看出,本文的方法在这两个指标上都优于N2V和未处理的噪声图像,表现出更好的去噪效果。另外,本文的方法比N2V去噪方法节省了计算资源,缩短了训练时间。本文提出了一种为非线性光学显微镜图像量身定制的无监督学习降噪方法。编码器和重构器网络可以在不对噪声特性进行限制性假设的情况下对图像进行降噪,并且提供更好的结果。这种方法在峰值信噪比和结构相似性指数上优于N2V,表现出比N2V去噪更好的性能。这种训练方法在未来的工作中可以为生物医学成像提供便利。
参考文献:
[1] YunJie J,Xin L,ShihHsuan C, et al. RepE: unsupervised representation learning for image enhancement in nonlinear optical microscopy.[J]. Optics letters,2023,48(16).
原文标题:多光子显微镜成像技术之三十四 用于多光子显微镜图像增强的无监督学习