《iScience》：Physics-informed self-supervised denoising for fluorescence microscopy via structure and intensity priors
编辑推荐：
荧光显微镜图像包含以随机噪声为主的平滑、低强度背景，以及具有复杂纹理的较亮生物信号。研究人员将这些结构和强度特征通过两个互补模块融入自监督去噪过程。结构自适应概率掩膜（structure-adaptive probabilistic masking，SAPM）
荧光显微镜图像包含以随机噪声为主的平滑、低强度背景，以及具有复杂纹理的较亮生物信号。研究人员将这些结构和强度特征通过两个互补模块融入自监督去噪过程。结构自适应概率掩膜（structure-adaptive probabilistic masking，SAPM）利用局部方差减少纹理区域的掩膜，同时增加冗余背景区域的掩膜。强度感知加权损失（intensity-aware weighted loss，IA-Loss）根据局部亮度重新加权优化，以改善在信号相关噪声条件下对高强度信号的保持。以Noise2Void（N2V）为基线，研究人员开发了结构和强度先验引导的Noise2Void（SI-N2V），其骨干网络采用Mamba-UNet进行全局上下文建模。在自建的病理数据集和公开的荧光显微镜数据集上的实验表明，SAPM和IA-Loss各自独立提升去噪性能，并在联合使用时取得最大增益。IA-Loss还能一致地提升多种自监督去噪框架，支持其作为即插即用的优化模块使用。
**论文解读：融合结构先验与强度先验的荧光显微镜自监督去噪新方法**
荧光显微镜在现代生物医学研究中不可或缺，能够实现动态细胞过程的可视化、生物分子的亚细胞定位以及高分辨率的组织学分析。然而，荧光成像从根本上受限于光子稀缺性，往往导致低信噪比（signal-to-noise ratio, SNR）。因此，图像去噪成为扩展荧光显微镜实际应用和诊断准确性的关键。尽管监督去噪方法在可获得干净参考图像时十分有效，但在荧光显微镜中获取干净的真实值（ground truth, GT）极其困难，因为光照会引起光损伤和不可逆的光漂白。这一限制催生了仅需噪声观测的自监督去噪方法。2019年Noise2Void（N2V）的引入是一个重要进展，它通过盲点网络实现自监督去噪，无需干净参考图像。N2V假设对于空间独立噪声，网络可以从周围上下文预测每个像素，从而避免对干净图像的依赖。该原理启发了概率N2V、不对称可调盲点网络（ATBSN）等变体，它们通过显式建模噪声分布或引入不对称及空间自适应掩膜方案来扩展框架。这些进展表明，额外的先验信息可能进一步提高N2V框架的性能。基于这一认识，研究人员观察到荧光显微镜图像与自然图像存在两点关键差异：其一是背景区域趋于平滑、纹理少且强度低，并主要由随机噪声主导；其二是生物信息性信号通常比背景更亮且具有更高的纹理复杂度。这些特征促使研究人员针对平滑低强度背景与纹理高强度信号区域采用不同的处理策略，从而提出了结构自适应概率掩膜（structure-adaptive probabilistic masking, SAPM）和强度感知加权损失（intensity-aware weighted loss, IA-Loss）两个互补模块。SAPM根据局部结构复杂度动态调整掩膜率，在冗余区域增加重建难度，同时保护关键细节；IA-Loss则根据信号强度重新加权优化目标，赋予通常富含生物信息的高亮区域更大的重要性。将物理启发的噪声先验和荧光特异性结构先验融入学习过程，解决了荧光显微图像中信号与噪声的空间异质性和非均匀分布问题。
研究人员在自建的肝脏病理组织数据集和公开的共聚焦显微镜数据集上进行了全面的消融实验，以评估两个模块的单独及联合贡献。同时，将IA-Loss集成到多种自监督去噪算法中，证明其可作为跨架构的即插即用模块。研究的主要贡献在于提出了一种结合结构先验和强度先验的自监督去噪框架SI-N2V，并在多种数据集和框架上验证了其有效性和通用性。
在关键技术方法上，研究采用了几项核心策略。其一为SAPM，该方法利用局部统计方差估计信息密度，通过非线性逆映射构建像素级、空间变化的掩膜概率图，实现结构自适应的掩膜采样。其二为IA-Loss，其根据目标图像的平均池化局部亮度生成权重图，以软性的强度感知方式重新校准像素级监督信号。其三为骨干网络PolyMambaUNet，该网络在标准U-Net编码器-解码器结构的第三、第四下采样阶段之后插入了二维选择性扫描（SS2D）Mamba模块，以线性复杂度建立全局依赖。数据方面，自建数据集来自深圳盛强科技有限公司提供的定制INNOSENSIA EXPERT切片扫描仪，对来自北京清华长庚医院的脱敏预染色肝癌病理切片进行DAPI通道成像，通过64帧时间平均生成高信噪比伪真值（pseudo-GT），经筛选后共931对图像。公共数据集使用Fluorescence Microscopy Denoising（FMD）数据集的五个共聚焦子集，包括固定BPAE细胞、小鼠脑组织和斑马鱼胚胎，每视野使用50幅噪声图像平均生成伪真值。
研究结果部分，核心组件的介绍详细阐述了SAPM和IA-Loss的原理。SAPM通过局部方差区分纹理区域和背景区域，在方差较高的区域降低掩膜率以保护高频细节，在平滑低方差区域提高掩膜率以鼓励长程上下文学习。IA-Loss则通过低通滤波生成的光滑权重图，对高亮区域赋予更大权重以促进相对结构保真度。在自建数据集上的评估显示，通过将N2V、S-N2V（仅SAPM）、I-N2V（仅IA-Loss）和SI-N2V进行对比，两个模块带来的增益均随强度增加而增大，组合使用效果最佳。图1中的像素级绝对误差热图显示，SI-N2V在包括核边界在内的高频形态区域误差最低，改善了结构保持和噪声抑制。在公共数据集上的评估验证了方法的泛化性。五个结构多样的FMD共聚焦子集的结果与自建数据集一致，两个模块均提升了性能，IA-Loss尤其显著。无Mamba模块的消融实验保留了两模块的总体趋势，表明结构-强度先验的有效性不依赖于特定骨干网络；而带Mamba模块的版本显示，Mamba虽带来参数数量（标准U-Net的31.39M vs PolyMambaUNet的86.52M）、计算成本（55.6 GMACs vs 78.2 GMACs）和推理时间的增加，但提供了额外的全局上下文建模收益。IA-Loss的跨框架评估进一步验证了其即插即用特性，将该损失集成到三种代表性自监督框架ATBSN、Neighbor2Neighbor（Ne2Ne）和自启发Noise2Noise（SN2N）中，在所有子集和强度区间上均一致地提升了PSNR和SSIM并降低MAE。表5的水平比较显示SI-N2V在整体和高强度区间上优于N2V、ATBSN、Ne2Ne和SN2N等代表方法。
在讨论部分，研究人员总结了SI-N2V如何解决荧光显微镜中噪声抑制与结构保真之间的权衡问题。通过将SAPM和IA-Loss分别对应空间异质性缺失和信号相关异方差性两大类问题，该方法实现了更稳健且保真的去噪。研究指出，本文的主要贡献不在于宣称通用最优性能，而在于将荧光特异性结构先验与物理启发的强度先验融入自监督去噪范式，提供了一种可迁移的设计策略。研究结论认为，SI-N2V是一种在难以获得干净真值的生物医学成像场景中实用的去噪方法，研究者通过先验引导的算法设计，提高了多种自监督框架的鲁棒性和信号保真度。研究同样承认了若干局限性，包括SAPM掩膜边界、IA-Loss系数和经验选择的参数可能需要针对特定成像模态进行优化；SAPM使用的局部5×5窗口可能无法完全捕捉极稀疏图像的非局部冗余；时间平均生成的高SNR伪真值并非严格无噪声，可能略微影响绝对指标；实验主要针对泊松-高斯噪声，未来需要扩展到更广泛的非线性传感器响应和相关噪声情况。该研究发表于《iScience》。
