[发明专利]一种基于深度学习的低对比度条纹SIM重建方法和系统

说明书

一种基于深度学习的低对比度条纹SIM重建方法，包括：首先制作低对比度条纹SIM图像训练数据集；然后构建并训练低对比度SIM超分辨神经网络；最后实现低对比度条纹SIM实验数据的超分辨重建。本发明还包括一种基于深度学习的低对比度条纹SIM重建系统。本发明可以在低对比度照明条纹的情况下，实现高质量和高分辨SIM图像重建。克服了传统SIM技术对照明条纹对比度的依赖，大大扩展其应用范围；本发明所需的低对比度条纹SIM图像训练集可以通过仿真得到，无需实验获取，大大降低了训练集的制作难度；本发明不增加任何系统复杂度，可基于任何已有SIM系统实现，具有广泛的应用范围。

技术领域

本发明涉及光学超分辨显微成像的技术领域，尤其涉及一种基于深度学习的低对比度条纹SIM重建方法和系统。

背景技术

结构光照明显微技术(Structured Illumination Microscopy,SIM)是一种光学超分辨显微成像技术。它利用结构光照明来激发荧光样本，将对应于精细结构的高频信号调制为低频信号。之后将低频信号解调得到样本的高频(细节)信息，以此实现突破衍射极限的超分辨光学显微成像。

SIM需要采集多张不同相位和方向下的含照明条纹的图像，然后利用图像重建算法获得超分辨图像。因此，结构光照明是该技术的核心之一，可以将原本无法获得的高频信息移至低频区域，从而通过成像系统接收，以此提高分辨率。在这个过程中，照明条纹对比度的高低直接影响超分辨显微成像结果的分辨率和信噪比。

然而，在实际应用中，低对比度条纹的情况时有发生，如照明光束的线偏振态不佳且未保持一致、待测样品较厚，以及成像背景和噪声较大等情况都会导致照明条纹对比度较低。此外，在长时间观察活细胞运动的情况下，为了追求更高的成像速度以及更低的光漂白与光损伤效应，研究者一般需要降低激光光源的强度或相机的曝光时间，这也不可避免地降低了照明条纹的对比度。为了获得高对比度照明条纹来获得更好的重建图像，目前大多采用干涉式SIM，但是干涉式SIM系统结构复杂，调节难度大。投影式DMD-SIM，相比于干涉式SIM，它的硬件成本更低。但由于其固有限制，投影式DMD-SIM的照明光条纹对比度相对较低。

因此，改善低对比度条纹照明下的图像重建质量对于SIM应用来说至关常重要。由于部分低对比度场景难以避免，因此我们需要开发新型重建算法以提升超分辨SIM成像系统的普适性。

发明内容

为了克服现有SIM技术在低对比度条纹照明场景中进行图像重建的缺点与不足，本发明提供了一种基于深度学习的低对比度条纹SIM重建方法和系统。

本发明的一种基于深度学习的低对比度条纹SIM重建方法，包括以下步骤：

S1：制作低对比度条纹SIM图像训练数据集。首先，通过仿真获取不同等级的低对比度条纹图案；然后，将真值图像与条纹图案相乘后再与点扩散函数卷积，得到不同等级的低对比度SIM图像；最后，在图像中添加噪声；

S2：构建并训练低对比度SIM超分辨神经网络。首先，构建网络的编码器逐层提取图像特征；然后，构建网络的解码器逐层恢复图像信息；最后，训练超分辨神经网络。在网络训练过程中不断地调整神经网络的参数，经迭代优化缩小输出与真值间差距，将损失函数的取值降低至网络收敛，保存权值参数；

S3：低对比度条纹SIM实验数据的超分辨重建。首先，输入在低对比度照明条纹成像条件下得到的九张SIM实验数据；然后，加载网络训练中保存的最优权重；最后，输出低对比度条纹SIM实验数据的超分辨重建结果。进一步，所述步骤S1包括以下子步骤：

S1.1：仿真照明条纹图案；根据SIM原理，仿真三个方向、以及每个方向的三个相位的照明条纹图案；

S1.2：调整条纹对比度；其特征在于：通过控制下式中的参数m来调整对比度得到不同等级对比度的条纹图案；