编辑推荐：
在材料科学和结构生物学中，透射电子显微镜（TEM）至关重要，但电子束成像存在固有缺陷，现有降噪方法也有局限。研究人员开展了 SHINE（Self-supervised High-throughput Image denoising Neural network for Electron microscopy）的研究。结果显示，SHINE 能有效降噪，提升成像质量，推动无损低剂量（S）TEM 发展。
在微观世界的探索中，透射电子显微镜（Transmission Electron Microscopy，TEM）堪称材料科学和结构生物学领域的 “火眼金睛”，它凭借高时空分辨率，能深入原子和分子层面，揭示材料的结构 - 性能关系以及结构动态变化，帮助科学家们看清材料内部原子的排列，确定单个原子的位置，解析蛋白质的动态变化和药物 - 靶点相互作用等。然而，这双 “火眼金睛” 也有其局限。电子束成像时，即使在低剂量应用下，也会对材料造成损害。而且，成像过程中会产生各种噪声，传统的降噪技术，如高斯滤波、维纳滤波等，容易丢失图像细节；基于神经网络的技术虽然有潜力，但大多需要无噪声的参考图像进行训练，在实际操作中，由于低剂量率导致信号减弱和样品漂移，获取这类参考图像困难重重。
为了突破这些困境，来自未知研究机构的研究人员开展了一项重要研究，他们提出了 SHINE（Self-supervised High-throughput Image denoising Neural network for Electron microscopy），即自监督高通量电子显微镜图像降噪神经网络。该研究成果发表在《SCIENCE ADVANCES》上，为电子显微镜技术的发展带来了新的曙光。
研究人员开展这项研究主要运用了以下关键技术方法：
首先，构建了基于高效盲点网络的带有扩张卷积的神经网络模型，其输入为包含当前帧和四个相邻帧的五维特征图。其次，采用盲点自监督降噪框架，通过计算原始图像的相关性来估计噪声统计信息，进而确定合适的盲点大小，以适应不同的噪声模式。在训练过程中，使用 L2 损失函数（均方误差损失，Mean Squared Error，MSE），并对数据进行增强，随机裁剪、旋转和镜像图像。
研究结果如下：
- 盲点视频降噪器提升 TEM 图像质量：设计的神经网络依据探测器接收电子信号生成（S）TEM 图像的原理构建，采用盲点网络实现自监督降噪。通过计算原始图像相关性估计噪声统计信息，确定盲点大小，在训练中使用 L2 损失函数并结合时间信息。
- 基于模拟数据集的降噪框架验证：生成两类液相 TEM（LPTEM）模拟数据集，包括氮化硅和石墨烯液体池 TEM。通过计算 2D 空间相关性估计噪声统计信息，确定盲点大小。结果显示，SHINE 在视觉质量和图像质量指标（峰值信噪比 PSNR 和结构相似性指数 SSIM）上优于其他方法。
- 盲点视频降噪器在原位（S）TEM 中的应用：将 SHINE 应用于多种原位 TEM 观测，如金纳米颗粒在石墨烯液体池中的溶解、MoS2单层催化剂的析氢反应（HER）、碳膜液体池 TEM 中钯纳米颗粒的生长以及时间序列 STEM 观测。在这些应用中，SHINE 均有效去除噪声，增强图像对比度，提升了对纳米颗粒和化学反应过程的分析能力。
- 盲点视频降噪器在低温电子断层扫描（cryo-ET）中的应用：对全细胞低温电子断层扫描（cryo-ET）数据集进行处理，使用 SHINE 降噪后，倾斜系列显微照片和细胞断层重建的质量得到显著提升，能够检测到细胞的详细特征，在低剂量重建方面也展现出良好效果。
研究结论和讨论部分指出，SHINE 克服了实际信号采集中信号扰动的负面影响，通过调整盲点大小匹配图像噪声特征，显著提升了图像质量。在不同的原位 TEM 方法中，包括液体池 TEM、时间序列 STEM 和 cryo-ET，SHINE 仅需极少训练数据就能发挥作用。它提高了高分辨率 TEM 图像中原子列识别和纳米颗粒尺寸测量的准确性，增强了 STEM 成像的质量，使在低剂量下进行更精确的原子级表征成为可能。在全细胞断层扫描中，即使在低剂量率下，SHINE 处理后的图像也能清晰分辨断层图的详细特征，这增强了低剂量测量的可信度，有望提升时间和空间分辨率。总之，SHINE 为高通量电子显微镜技术的发展提供了强大的支持，推动了材料科学和结构生物学等领域的研究进展，具有重要的科学意义和应用价值。
