用“自我学习”提升医学三维光学成像效果

本文介绍了一种面向生物医学三维光学成像的新型自监督深度学习去噪方法——VALID（Volumetric self-supervised orthogonal learning for biomedical Imaging Denoising）。传统去噪方法面临两大难题：监督学习需大量人工标注的‘干净图像+对应噪声图像’配对数据，这在活体三维成像中几乎无法实现；而现有自监督方法大多只利用二维空间或时间冗余，未能充分挖掘三维数据固有的立体结构一致性。VALID创新性地采用‘俄罗斯方块式采样’（Tetris sampling），从同一三维体数据中沿X-Y、X-Z、Y-Z三个正交平面分别提取互补子块，构建自监督训练信号。该设计迫使网络学习跨平面的结构关联，从而更精准地区分真实生物结构与各类噪声（如光子散粒噪声、散斑噪声等）。同时，VALID采用轻量级‘跨尺度递归网络’（CRN）替代常规U-Net架构，聚焦于低维视觉去噪任务的本质——低通滤波，而非高维语义理解，因此参数更少、效率更高、边界伪影更少。实验验证覆盖四大主流三维成像技术：（1）双光子成像中，VALID将600微米深部区域的信噪比（PSNR）提升8.0分贝，结构相似度（SSIM）提高42.6%，显著改善神经元树突连续性和胞体分辨能力；（2）三光子成像（达海马体，800–1100微米）中，血管、神经元和无标记三次谐波（THG）信号的信噪比分别提升约10倍、12倍和8倍，成功解析出胼胝体中约2.4微米间隔的单根神经纤维；（3）光场显微镜（csLFM）中，VALID预处理使对比度噪声比（CNR）提升455%，大幅改善活体阿米巴虫的三维轨迹追踪连续性；（4）皮肤光学相干断层扫描（OCT）中，VALID通过三维低频Hessian正则化有效抑制乘性散斑噪声，在保持组织层状纹理的同时，将X-Y面（俯视图）CNR提升343.7%，并显著增强边缘保真度（EPI）。综上，VALID不依赖额外硬件或多次扫描，仅用单次采集的原始数据即可实现‘零样本’（zero-shot）高性能去噪，为活体深层、动态、多模态三维成像提供了普适、高效、保真的新工具。