主要观点总结
本文主要介绍了基于无监督学习的自启发去噪方法（SN2N）在活细胞超分辨成像中的应用。SN2N方法能够在无需噪声图像对条件下，显著提升超分辨显微系统的光子效率，并成功应用于多种超分辨显微成像系统。研究者将SN2N与其他技术结合，实现了活细胞五维长时程成像，为深入研究细胞内部结构和机制提供了新的视角和工具。
关键观点总结
关键观点1: 研究目标
开发无监督学习去噪方法提升超分辨显微系统光子效率，实现活细胞超分辨尺度下长时程成像目标。
关键观点2: 主要技术
基于无监督学习的自启发学习去噪方法（SN2N），利用超分辨系统的空间采样冗余特性设计自监督数据生成策略，开发自约束学习策略，提高去噪性能和数据效率。
关键观点3: 应用实例
SN2N技术成功应用于四色活细胞超分辨成像、五维长时程活细胞成像、商用STED系统成像、SOFI重建流程以及双光子钙离子成像等领域。
关键观点4: 技术优势
SN2N技术无需大训练集和高信噪比真值图像，将光子效率提升了两个数量级，适用于各种超分辨显微成像系统，包括SIM、STED、ExM、SOFI等。
关键观点5: 研究团队与合作者
哈尔滨工业大学仪器科学与工程学院赵唯淞教授团队与北京大学赵士群/陈良怡团队合作，共同完成了该研究。目前该团队正在招收相关领域研究生和博士后，有意者可通过特定途径投递简历。
文章预览
活细胞超分辨荧光显微成像技术的发展目标是在生理友好的成像条件下保持足够的时空分辨率。然而，提升空间分辨率通常需要增加照明强度或延长曝光时间，同时还需匹配时间分辨率以防止运动伪影，因此活细胞超分辨成像中光子效率的提升至关重要。深度神经网络利用监督学习拟合噪声图像与干净图像之间的映射，能够显著提升光子效率，然而其需要收集大量配对的干净图像，难以应用于活细胞。另一方面，无监督学习去噪方法给超分辨成像提升光子效率提供了另一种选择 【1-9】 ，但仍需要大量的噪声图像对进行学习，去噪效果有限且数据效率低。因此，如何能在有限的数据下、在无需噪声图像对条件下，开发无监督学习去噪方法提升超分辨显微系统光子效率，实现活细胞超分辨尺度下长时程成像目标，仍是目前领域内的挑战。 2024年9月11日
………………………………
