[发明专利]一种振幅相位通道注意力的结构光照明显微镜重建方法

说明书

本发明属于结构光照明超分辨显微成像技术，特别涉及一种振幅相位通道注意力的结构光照明显微镜重建方法，包括获取结构化照明显微镜的原始数据，若原始数据为多个时间点的原始数据，则计算原始数据的特征图；通过一个卷积层提取原始数据的特征图中的低频特征；将低分辨率特征作为四个级联的残差组的输入，获取原始数据的特征图中的高频特征；根据高频特征与低频特征进行过图像重建，得到超分辨率图像；本发明与scUNet和DFCAN方法相比，在重建的保真度上提高了17％。

技术领域

本发明属于结构光照明超分辨显微成像技术，特别涉及一种振幅相位通道注意力的结构光照明显微镜重建方法。

背景技术

近年来，结构化照明显微镜(SIM)的超分辨率(SR)重建算法取得了巨大的突破，在没有特定的荧光探针的情况下，可以解决亚细胞事件，如clathrin和caveolin3的组装，线粒体的动态，和Xist RNA蔓延。然而，伪影是干扰SR-SIM中重建图像质量的一个破坏性因素。对于传统的维纳重建算法，通常需要有足够的原始图像的信噪比(SNR)来区分真正的SR信号和伪影。然而，更高的SNR意味着更强的激光强度或更长的曝光时间，导致更大的光毒性和更快的光漂白。为了解决低信噪比图像的重建伪影，传统的方法通常与一些先验的信息，即手工制作的连续性相结合，以提高重建的质量。然而，这些手工制作的假设通常只限于抑制伪影，并可能带来分辨率的损失。

由于神经网络的自适应特征提取和拟合能力，一些基于深度学习的SR方法已经被引入SIM的重建中。这些神经网络通常关注的是空间域的SR信息。然而，基于成像模型，SIM图像的SR信息得益于频域的扩展，这促使网络更加关注频率信息。因此，之前提出的深度傅里叶通道注意网络(DFCAN)在注意机制中考虑了振幅谱，并取得了最真实的性能。然而，它没有使用相位谱的信息，这对图像恢复任务同样重要。此外，频域中的每个频率都是由振幅和相位决定的。因此，单独使用振幅或相位并不能完全代表频域中的信息。

发明内容

本发明针对现有技术的缺陷和不足，提出一种振幅相位通道注意力的结构光照明显微镜重建方法，包括以下步骤：

获取结构化照明显微镜的原始数据，若原始数据为多个时间点的原始数据，则计算原始数据的特征图；

通过一个卷积层提取原始数据的特征图中的低频特征；

将低分辨率特征作为四个级联的残差组的输入，获取原始数据的特征图中的高频特征；

根据高频特征与低频特征进行过图像重建，得到超分辨率图像。

进一步的，计算原始数据的特征图包括以下步骤：

每个时间点的原始数据包括三个方向和三个相位，将该图像提取成27帧的stack，每个方向和相位的stack经过3×3卷积层处理，得到一个特征图；

三个方向和三个相位的叠加可以输出9帧特征图；

将9帧特征图拼接在一起作为原始数据的特征图。

进一步的，获取原始数据的特征图的过程包括：

F＝Cat(f_1,1,...,f_3,3)；

其中，F表示原始数据的特征图；表示方向为d、相位为的特征图，Cat()表示拼接操作，Conv_3×3()表示3×3卷积操作，代表第t个时间点方向为d、相位为的图像。

进一步的，每个残差组包括一个幅相通道注意力模块，幅相通道注意力模块包括振幅谱注意模块、相位谱注意模块和自适应权重融合模块，获取原始数据的特征图中的高频特征包括以下步骤：

将输入幅相通道注意力模块的特征通过两个级联的3×3卷积层提取得到特征f；