DeepVID v2:自主监督的剥离与解的时空增强用于低光子电压成像
Chang Liu1, Jiayu Lu2, Yicun Wu3
1Boston University, Department of Biomedical Engineering, Boston, MA 02215, USA.
bioRxiv : the preprint server for biology
|May 27, 2024
概括
DeepVID v2通过减少没有地面真相的噪音来增强低光子电压成像. 这种自我监督的深度学习方法提高了空间和时间分辨率,以更清晰地研究神经元活动.
科学领域:
- 神经科学是一个神经科学.
- 生物物理学的生物物理.
- 计算机科学 计算机科学
背景情况:
- 电压成像对于研究神经元活动至关重要,但在低光子条件下受到严重的波桑噪声的影响,妨碍了准确的分析.
- 现有的自主监督深度学习方法用于消除电压成像数据,经常面临空间和时间性能之间的权衡.
研究的目的:
- 介绍DeepVID v2,一个新的自我监督的无光化框架,旨在增强低光子电压成像.
- 通过分离空间和时间增强能力来克服以前方法的局限性.
- 提高神经元活动中空间结构和时间动态的分辨率.
主要方法:
- DeepVID v2 建立在原来的 DeepVID 框架之上,使用基于框架的 denoising 使用周围的框架来实现时间一致性.
- 该网络将多个盲点像素集成到中央中,以增强本地空间信息学习.
- 整合了一个新的边缘提取分支,以捕捉精细的结构细节和高空间分辨率信息.
主要成果:
- DeepVID v2成功地克服了先前的无光化方法固有的时空性能权衡.
- 该框架表现出卓越的无色化能力,有效地解决高分辨率的空间结构和快速的神经元活动.
- DeepVID v2 显示了各种成像条件的概括性,包括不同的信号噪声比和极低光子场景.
结论:
- DeepVID v2 是用于增强电压成像的强大工具,在数据质量方面提供了显著的改进.
- 该框架显示了对其他低光子成像模式的更广泛应用的潜力.
- DeepVID v2 可以极大地促进对大脑中神经元活动的研究.
