[发明专利]基于生成对抗网络的三维荧光显微信号去噪方法

权利要求书

1.一种基于生成对抗网络的三维荧光显微信号去噪方法，其特征在于，包括以下步骤：

步骤S1：搭建去噪生成网络，所述去噪生成网络包括数个第一卷积层、第一最大池化层、上采样层、跳连接层及每个卷积层后面连接的第一规范化操作、第一激励操作；

步骤S2：搭建去噪判别网络，所述去噪判别网络包括数个卷积层、最大池化层、全连接层，以及每个卷积层后面连接的第二规范化操作、第二激励操作以及二分类的输出；

步骤S3：建立训练数据与测试样本数据；

步骤S4：根据所述训练数据与所述测试样本数据以最小化代价函数为目标，训练所述去噪生成网络和所述去噪判别网络；

步骤S5：将荧光显微数据输入到所述去噪生成网络，得到去噪结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：

步骤S11：搭建第一卷积部分，其中，所述第一卷积部分为2层3D卷积层，每个第一卷积层后面对应接一个最大池化层；

步骤S12：搭建上卷积部分，其中，所述上卷积部分为2层3D卷积层，每个卷积层后面对应接一个上采样层并同时接一个跳连接层将对应池化前的数据进行组合；

步骤S13：搭建整个生成网络模型的输出部分，其中，所述输出部分包括1层卷积层，以与输入数据相加得到输出结果，输出为与输入同样尺寸的数据，输入数据去噪后的结果。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：

步骤S21：搭建第二卷积部分，其中，所述第二卷积部分为4层3D卷积层，每个第二卷积层后面对应接一个最大池化层；

步骤S22：搭建全连接部分；

步骤S23：搭建整个卷积神经网络模型的输出部分，其中，输出为一个数，表示当前输入的数据是原始的高信噪比数据。

4.根据权利要求2所述的方法，其特征在于，所述步骤S1中的输入为64x64x16的三维低信噪比荧光数据，所述数据三维低信噪比荧光从相机拍摄的低信噪比荧光图像序列堆栈中随机或通过滑动窗口获取，目标输出为64x64x16的三维高信噪比荧光数据，所述三维高信噪比荧光数据从所述相机拍摄的高信噪比荧光图像序列堆栈中的对应输入数据区域获取。

5.根据权利要求3所述的方法，其特征在于，所述步骤S2中的输入为64x64x16原始的高信噪比数据或者去噪后的低信噪比数据，去噪数据为步骤S1中去噪网络输出的三维荧光数据，原始数据从所述相机拍摄的高信噪比荧光图像序列堆栈中的对应输入数据区域获取。

6.根据权利要求1所述的方法，其特征在于，所述步骤S3中，所述训练数据包括10000个荧光区域数据，且大小为64x64x16，其中，利用不同的照明光强度获取相同区域下不同信噪比数据；利用不同的曝光时间获取相同区域下不同信噪比数据，且所述测试样本数据为不同区域下低信噪比数据。

7.根据权利要求1所述的方法，其特征在于，所述步骤S4中的去噪判别网络代价函数如下：

L₁(z，z^*)＝-z^*·log(z)-(1-z^*)·log(1-z)，

其中，z为所述低信噪比数据经过所述去噪判别网络输出得到的概率值，z^*为所述训练样本是否属于原始高信噪比数据。

8.根据权利要求1所述的方法，其特征在于，所述步骤S4中的去噪生成网络代价函数如下：

L₂(y,y^*)＝sum(y-y^*)²+log(1-z)，

其中，为所述低信噪比数据经过所述去噪生成网络输出得到的去噪数据，y^*为所述训练样本中对应的高信噪比真值数据。

9.根据权利要求7或8所述的方法，其特征在于，所述步骤S4中网络权重初始化采用一维高斯分布，利用AdamOptimizer方法来最小化损失函数。

10.根据权利要求7所述的方法，其特征在于，所述步骤S4中网络权重值是通过最小化损失函数直到不再下降为止得到。