基于物理原理的自监督学习方法，用于活细胞成像中的高保真重建

《npj Imaging》：Physics-guided self-supervised learning for high-fidelity reconstruction in live-cell imaging

　　

摘要

长期进行活细胞荧光成像时，为降低光毒性，需要采用较低的激发强度或较短的曝光时间，而这会导致获取的数据信噪比较低。在这种条件下，现有的重建方法难以在降噪与保持精细结构之间取得平衡，往往会产生失真的重建结果或严重的伪影。在此，我们提出了HiFi-DeconvFormer，这是一种基于物理原理的自监督重建框架，用于超分辨率反卷积成像。通过结合基于空间冗余的训练策略以及融入物理成像模型的网络架构，我们的方法能够在无需真实数据的情况下实现强大的自监督学习。该框架利用窗口化Transformer和多模态正则化技术，有效捕捉长距离的生物连续性及高频边缘特征，从而准确恢复微弱信号。大量测试表明，在低信噪比条件下，HiFi-DeconvFormer的性能优于现有最先进方法，能够实现高保真、无伪影的动态亚细胞过程重建。