利用自编码器深度学习去除缺乏真值与噪声模型的亚细胞纳米镜图像中的伪影

在具备通过真实实验获取或利用已知噪声模型合成的监控训练数据集时，使用深度学习进行图像去噪或伪影去除是可行的。对于通过统计分析技术从显微视频生成的纳米镜（超分辨光学显微镜）图像，上述两个条件均无法满足。由于若干物理限制，无法测量监督数据集。由于来自荧光分子的时空非线性混合数据及有价值涨落统计与噪声统计相竞争，纳米镜图像中的噪声或伪影模型无法被显式学习。因此，该问题对深度学习提出了前所未有的挑战。在此，我们提出一种鲁棒且通用的仿真监督训练方法，采用深度学习自编码器架构处理生物样品内亚细胞结构的极困难纳米镜图像。我们展示了一种纳米镜方法的概念验证，并考察了在仿真监督训练期间未包含的结构、噪声模型和纳米镜算法间的泛化能力范围。我们还研究了多种损失函数与学习模型，并讨论了现有纳米镜图像性能指标的局限性。我们为该纳米镜中极具挑战且未解决的问题生成了有价值的见解，并为深度学习方法在生命科学纳米镜中的应用奠定了基础。