[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

说明书

本发明公开了一种基于生成对抗网络的三维荧光显微信号去噪方法，包括以下步骤：搭建去噪生成网络，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；搭建去噪判别网络，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；建立训练数据与测试样本数据；根据训练数据与测试样本数据以最小化代价函数为目标，训练去噪生成网络和去噪判别网络；将荧光显微数据输入到去噪生成网络，得到去噪结果。该方法能够有效的提升低信噪比三维荧光显微信号的去噪能力，更加可靠并准确。

技术领域

本发明涉及计算成像、显微成像与机器学习技术领域，特别涉及一种基于生成对抗网络的三维荧光显微信号去噪方法。

背景技术

荧光信号三维成像在显微成像中具有非常重要的作用，其中包括三维结构成像和三维功能成像。然而，这些生物体内的荧光团受到最大光子曝光的限制，过大的光强会使得生物体内的荧光团发生漂白或失活，因此必须在有限的光照强度下进行荧光信号的观测，使得观测结果需要在成像速度，空间分辨率和成像深度之间进行权衡。

如何从短曝光得到的低信噪比荧光数据获得类似长曝光下的高信噪比荧光数据，是非常有意义的一个工作。它不需要额外的硬件设备，只需要通过对采集的低信噪比数据进行去噪和分析，从而获取高信噪比的荧光结果。

相关技术中，随着深度学习技术的快速发展，通过训练数据进行网络的训练，可以更好的解决分类、回归等任务，也能在分割、跟踪等任务中取得理想的效果。在显微成像领域中，卷积神经网络技术已在细胞分类、癌症细胞分割、电镜层析等领域取得一定的效果，为该技术在其他领域和任务中的应用提供了一定的方向和途径。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的目的在于提出一种基于生成对抗网络的三维荧光显微信号去噪方法，该方法可以有效的提升低信噪比三维荧光显微信号的去噪能力，更加可靠并准确。

为达到上述目的，本发明实施例提出了一种基于生成对抗网络的三维荧光显微信号去噪方法，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。

本发明实施例的基于生成对抗网络的三维荧光显微信号去噪方法，通过训练去噪生成网络和去噪判别网络，从而能够将低信噪比的三维荧光数据去噪得到高信噪比的数据，显著地提高了三维荧光信号的效果，能够有效的提升低信噪比三维荧光显微信号的去噪能力，更加可靠并准确。

另外，根据本发明上述实施例的基于生成对抗网络的三维荧光显微信号去噪方法还可以具有以下附加的技术特征：

可选地，在本发明的一个实施例中，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。