基于模拟的深入学习框架用于荧光主导条件下的拉曼光谱去噪
计算机视觉与模式识别
2025-12-22 v1
摘要
拉曼光谱通过非破坏性、无标签的分子分析实现高度特异性，是生物医学诊断的强大工具。然而，其应用于生物组织面临着固有的弱拉曼散射和强荧光背景的挑战，这显著降低了信号质量。本研究提出一种基于模拟的去噪框架，将统计上建立的噪声模型与深度学习结合，用于增强荧光主导条件下获取的拉曼光谱。我们全面建模了主要噪声来源。基于该模型，我们生成生物学上真实的拉曼光谱，并用于训练级联深度神经网络，以联合抑制探测器的随机噪声和荧光基线干扰。为了评估我们方法的性能，我们将来自真实实验数据的模拟人类皮肤光谱作为验证案例研究。我们的结果表明，基于物理的学习有潜力提高光谱质量，并实现更快、更准确的基于拉曼的组织分析。
引用
@article{arxiv.2512.17852,
title = {Simulation-Driven Deep Learning Framework for Raman Spectral Denoising Under Fluorescence-Dominant Conditions},
author = {Mengkun Chen and Sanidhya D. Tripathi and James W. Tunnell},
journal= {arXiv preprint arXiv:2512.17852},
year = {2025}
}