[发明专利]基于理查德森-露西算法的显微镜去卷积神经网络模型构建方法

说明书

本发明公开了一种基于理查德森‑露西算法的显微镜去卷积神经网络模型构建方法，将大量训练集中的荧光显微镜图像和相应的去卷积后的样本估计输入搭建的神经网络，学习到荧光显微镜模糊的采集图像与作为标签的样本估计之间的去卷积关系。值得一提的是，此网络是普适性的，对于同一种荧光显微镜采集到的数据，在测试过程中表现出了良好的去模糊能力，对于不同类型的数据集，也有很好的泛化能力。总的来说，本发明利用基于理查德森‑露西去卷积结构的神经网络搭建了一个普适性的框架，通过强大的特征提取能力建立了一个去卷积的映射关系，从而完成荧光显微镜图像的非迭代方法去模糊。

技术领域

本发明属于荧光显微成像技术领域，具体涉及一种基于理查德森-露西算法的显微镜去卷积神经网络模型构建方法。

背景技术

光学显微镜有着悠久的历史，是现代生物学研究中最有力的手段之一，荧光标记技术的发展推动了显微技术朝着更高分辨率和更高对比度的方向发展。然而由于光的衍射，显微图像存在固有模糊；对于三维荧光显微图像，由于只有一部分光被显微镜从一个方向采集，还存在着严重的分辨率各向异性，受限的分辨率通常不能满足生物学研究对样本可视化的要求，并且会对荧光显微图像的后处理造成困难。点扩展函数(PSF)描述了成像装置对点源的响应，并且反映了对观测结果的模糊影响；为了提高显微镜图像的分辨率，有两种方式：一种是改进显微镜的硬件结构，优化系统点扩展函数，另一种是通过数学计算方法去除模糊影响，也即去卷积。去卷积是显微镜使用者经常使用的一种预处理方法，已成为一种常用的图像分析方法并且，有很多变体，比如迭代软阈值方法、理查德森-露西去卷积方法。针对被泊松噪声(在荧光显微镜中一种常见的噪声)污染的数据，在点扩展函数的帮助下，理查德森-露西去卷积(RLD)方法能通过迭代过程对对样本估计进行去模糊，然而这种方法存在难以确定所需要的迭代次数的问题；如果迭代次数太少，图像去模糊的效果不理想；如果迭代次数太多，会引起噪声放大，从而产生明显的伪影。此外，伴随着迭代产生的计算负担也是一个困难的问题，在许多情况下，迭代去模糊的算法需要的时间远超过了数据采集的时间。

目前已经有一些方法能提高去卷积效率，比如基于GPU加速的三维荧光图像的去卷积算法(CN106530381A)、改进去卷积效率的多视角光片显微镜图像融合方法(CN108520507A)以及基于不匹配算子的显微镜图像去卷积加速算法(CN111476733A)，这些方法基于理查德森-露西去卷积的框架，存在的问题主要有：(1)没有利用大量存在的数据信息，过度依赖于对点扩展函数的选择；(2)没能解决迭代次数的选择难题；(3)算法参数调整需要依靠经验。

近年来，计算机的计算能力有了极大提升，推动了神经网络的发展，其中深度学习网络是一种强大的工具；最近的研究表明，许多复杂的任务都能够通过深度学习网络解决。理想情况下，研究人员希望通过数据驱动的方法从样例数据中自动找到合适的模型去解决某一类问题，公开号为CN111524078A的中国专利提出了一种基于稠密网络的显微镜图像去模糊方法，从神经网络的角度出发解决了同一种荧光显微镜数据的去卷积问题，然而这种方法类似于一个黑盒子，缺乏合理的解释性，有时会引入虚假伪影，也会限制该网络的泛化能力。

因此，如何将神经网络与传统方法的物理模型相结合，是目前的一个热点问题，采用一种依据物理模型的荧光显微镜图像去卷积神经网络是十分必要的。

发明内容

鉴于上述，本发明提供了一种基于理查德森-露西算法的显微镜去卷积神经网络模型构建方法，其借助于深度学习这一强大的特征提取工具，并将理查德森-露西去卷积的计算过程引入神经网络中，能够精确地学习到荧光显微镜采集图像与观测样本的算法恢复标签之间的去卷积关系，能够利用这种关系以一种非迭代方式进行高质量高效率的荧光显微镜图像去卷积。

一种基于理查德森-露西算法的显微镜去卷积神经网络模型构建方法，包括如下步骤：

(1)对生物样本进行荧光蛋白标记染色，通过荧光显微镜采集生物样本荧光图像，得到由二维切片堆叠形成的三维荧光显微镜图像主视角数据I，换另一视角对同一生物样本进行图像采集得到辅助视角数据I'；