scSplit：将严重度感知引入荧光显微镜图像分解

荧光显微镜虽然是生命科学进步的关键驱动力，但也受到技术限制。为了克服这些限制，最近提出了计算多路复用技术，允许在单张图像中捕获多种细胞结构，并在随后进行解混。现有的图像分解方法是在一组叠加的输入图像和相应的解混目标图像上训练的。需要注意的是，给定输入中叠加图像的相对强度（混合比例）是先验未知的。然而，现有方法是在叠加输入的固定强度比例上训练的，使其无法感知荧光显微镜中可能出现的相对强度范围。在这项工作中，我们提出了一种名为 scSplit 的新方法，它能够感知上述混合比例的严重度。我们的想法基于 InDI（一种流行的图像恢复迭代方法），这是一个在任何给定输入中接纳未知混合比例的理想起点。我们引入了 预测给定输入图像退化程度（混合比例）的经过适当训练的回归器网络，以及 退化特定的归一化模块，从而实现跨所有混合比例的退化感知推理。我们表明该方法解决了荧光显微镜中的两个相关任务，即图像分离和串扰去除，并在 5 个公开数据集上经验性地证明了 scSplit 的适用性。带有预训练模型的源代码托管于 https://github.com/juglab/scSplit/。