[发明专利]关于冷冻电子断层重构体图像的质量恢复方法及系统

说明书

本发明公开了关于冷冻电子断层重构体图像的质量恢复方法及系统；其中所述方法，包括：获取冷冻电子断层的二维投影序列；对二维投影序列进行三维重构，得到三维重构图像；利用训练后的噪声生成模型对三维重构图像进行处理得到噪声；将噪声叠加到三维重构图像中，得到叠加噪声的图像；将叠加噪声的图像，输入到训练后的图像质量恢复模型中，输出图像质量恢复的图像。

技术领域

本发明涉及冷冻电子断层成像技术领域，特别是涉及关于冷冻电子断层重构体图像的质量恢复方法及系统。

背景技术

本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。

冷冻电子断层扫描(Cryo-ET)成像技术是一种应用于在自然状态下重建和可视化生物细胞中亚显微结构的有力成像工具。然而，由于成像仪器和生物样本的限制，Cryo-ET的投影图像序列及其三维重构体图像往往表现出极低的信噪比(Signal-to-Noise Ratio,SNR)和复杂的噪声，这一特性会对Cryo-ET处理流程中的下游分析任务产生影响。特别地，由于冷冻电镜的参数配置会因不同的生物样本发生变化，因此在成像过程当中很难获取到同一生物样品的大量图像数据。因此，在有限数据量的情况下实现针对Cryo-ET重构体的质量恢复问题是该领域内的一个重要研究问题。

针对Cryo-ET重构体图像的质量恢复，研究者们提出了非常多的基于统计和迭代策略的传统(非学习)算法。这类方法的第一类思路是基于非局部均值来实现的：利用每个像素周边的邻域像素，通过加权平均的方式来进行像素值的估计，如非局部均值算法(Non-Local Mean)。第二类思路则是基于局部相似度度量的图像块分组与协同滤波技术，以此来实现非局部信息的融合，如BM4D算法。传统方法的成立条件包括以下两点：1.噪声均值趋近于零；2.能够获得足够多的图像块，但这两个条件在真实数据环境下并不是一直成立的，因此造成了较大的限制。此外，传统方法的计算量往往偏大，算法的时间复杂度较高，难以集成到Cryo-ET主体流程当中。

随着深度神经网络技术的发展，有监督深度学习质量恢复算法在自然图像中取得了良好的效果。有监督学习的质量恢复算法通常需要大量的(低质量图像，干净图像)的训练数据对，因此这类方法相较于传统方法有着更为可靠的图像结构恢复性能。但有监督学习的质量恢复算法也有着很明显的问题：首先，有监督学习算法对于训练数据的要求很高，需要显式地引入干净图像所提供的信息，然而在真实环境下，这类训练数据的获取难度是较高的；其次，由于该方法很大程度上依赖训练数据的分布，所以在很多情况下会出现泛化性不足的问题，如果测试数据和训练数据分布的距离过大，模型的性能会大幅下降。

为了解决有监督学习中的限制导致的问题，研究者们提出了自监督学习质量恢复算法。自监督学习的质量恢复算法不需要显式地使用干净图像作为标签进行训练，基于图像建模与统计上引入的假设，从低质量含噪声的图像中直接学习和预测图像的结构信息以及对比度等信息，如Noise2Noise、Noise2Void算法，并且自监督学习算法支持类似荧光显微镜图像或Cryo-ET图像的单样本训练。但是这类算法在单样本训练下的性能依然有限。自监督学习算法能够接近有监督学习算法性能的前提是有足够大量的低质量图像数据。

发明内容

为了解决现有技术的不足，本发明提供了关于冷冻电子断层重构体图像的质量恢复方法及系统；在Cryo-ET图像的低信噪比、低数据量与无法获取Ground Truth作为训练数据的情况下，利用噪声建模与基于对比度引导项和一阶稀疏引导项的自监督学习框架来实现图像的质量恢复，以解决传统方法和单样本自监督学习对于低温电子断层扫描术Cryo-ET中复杂噪声的低鲁棒性问题，以及有监督学习方法依赖训练数据所导致的过拟合问题。

第一方面，本发明提供了关于冷冻电子断层重构体图像的质量恢复方法；

关于冷冻电子断层重构体图像的质量恢复方法，包括：

获取冷冻电子断层的二维投影序列；