[發明專利]一種基于稠密網絡的顯微鏡圖像去模糊方法

有效

• 申請號: 202010311696.5
• 申請日: 2020-04-20
• 公開（公告）號: CN111524078B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 劉華鋒;李玥
• 申請（專利權）人: 浙江大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/08;G06N3/04
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 王琛

本發明公開了一種基于稠密網絡的顯微鏡圖像去模糊方法，其通過深度學習的方法，學習了熒光顯微鏡模糊的采集圖像與采用理查德森?露西去卷積算法獲得的樣本估計之間的去模糊的關系，來實現對熒光顯微鏡采集的數據的去模糊處理。本發明采用傳統的理查德森?露西去卷積算法來獲得網絡結構的標簽，保證了網絡學習的可靠性；當測試數據輸入搭建的通用稠密網絡時，輸出能夠較好地熒光顯微鏡的去模糊，并且使用稠密網絡進行去模糊的效率高于傳統聯合去卷積算法，并且采用非迭代的去模糊方式，解決了傳統迭代算法的迭代停止標準難以選擇的問題。

技術領域

本發明屬于熒光顯微成像技術領域，具體涉及一種基于稠密網絡的顯微鏡圖像去模糊方法。

背景技術

熒光顯微鏡是生物領域一種重要的成像技術，它的應用范圍從單細胞成像延伸至大組織成像；通過熒光蛋白對生物樣本染色，并利用激光對生物樣本進行熒光激發，可以獲得具有亞微米空間分辨率、分子特異性和高對比度的生物圖像，這些屬性使熒光顯微鏡可以應用到細胞內物質吸收、運輸、分布及定位的研究中，使研究人員能夠直接探索生物樣本的結構和功能。然而在成像過程中，由于各種透鏡的衍射極限的限制，以及顯微鏡成像過程中固有模糊和噪聲的存在，熒光顯微鏡最終采集到的圖像質量存在損失，從而影響了研究者對真實生物樣本的認知。由于模糊的熒光顯微鏡圖像中包含了真實的生物樣本信息，當模糊的采集圖像與真實生物樣本之間的退化關系可以被描述出來，那么就能夠通過算法將部分圖像模糊去除，從而提高圖像的分辨率和對比度。點擴展函數就是一種采集圖像與真實生物樣本之間的退化關系的體現，它描述的是一個已知尺寸的點源經熒光顯微鏡系統后圖像的模糊變形。

通常情況下，研究人員能夠通過仿真或者實際測量獲得系統的點擴展函數；針對被泊松噪聲(在熒光顯微鏡中一種常見的噪聲)污染的數據，在點擴展函數的幫助下，研究人員使用理查德森-露西去卷積(RLD)方法，通過迭代過程對在每一次迭代中對樣本估計進行去模糊。然而這種迭代去模糊方法仍然存在一個難以解決的問題——難以確定所需要的迭代次數，如果迭代次數太少，圖像去模糊的效果不理想；如果迭代次數太多，會引起噪聲放大，從而產生明顯的偽影。對于大量的熒光顯微鏡數據，每次都要通過觀察確定需要的迭代次數是耗時耗力的；此外，伴隨著迭代產生的計算負擔也是一個困難的問題，在許多情況下，迭代去模糊的算法需要的時間遠超過了數據采集的時間。

目前，為了加速顯微鏡圖像去模糊，研究人員在硬件和算法上做了改進，比如郭敏等人提出的基于GPU加速的三維熒光圖像的去卷積算法利用GPU的并行處理特點取代了CPU從而通過硬件改變實現了加速，以及一種改進去卷積效率的多視角光片顯微鏡圖像融合方法通過提高理查德森-露西去卷積算法每一次迭代的收斂效率在算法性能上進行改進。這些方法都沒有脫離理查德森-露西去卷積的框架，存在的問題主要有：1.點擴展函數的選擇會對算法的效果產生影響；2.沒能解決迭代次數的選擇難題；因此，如何獲得一種不用考慮點擴展函數以及迭代次數的新算法，是本領域研究的熱點。

近年來，隨著計算機硬件的發展，計算機的計算能力大大提升，從而推動了神經網絡的發展，其中深度學習網絡是一種強大的工具。最近的研究表明，許多復雜的任務都能夠通過深度學習網絡解決，深度學習網絡能夠提取數據的特征，擬合出復雜的函數來模擬不同數據間的映射關系。考慮到對于同一種熒光顯微鏡，它對樣本的模糊退化效果是類似的，可以通過函數擬合出來，因此采用深度學習來實現一種非迭代方式的高質量高效率的熒光顯微鏡圖像去模糊方法是具有應用前景的。

發明內容

鑒于上述，本發明提供了一種基于稠密網絡的顯微鏡圖像去模糊方法，其借助于深度學習這一強大的特征提取工具，能夠精確地學習到熒光顯微鏡模糊的采集圖像與采用理查德森-露西去卷積算法獲得的樣本估計之間的去模糊關系，并能夠利用這種關系以一種非迭代方式進行高質量高效率的熒光顯微鏡圖像去模糊。

一種基于稠密網絡的顯微鏡圖像去模糊方法，包括如下步驟：