在神经元图像中,同时去除噪音和纠正运动变形,使用自主监督深度学习模型的管道结构
Hongdong Zhang1, Zhiqiang Xu2, Ningbo Chen2
1School of Computer, Qufu Normal University, Rizhao 276826, China.
Biomedical optics express
|July 18, 2024
概括
这项研究引入了一个深度学习管道,可以同时消除和消除成像视频,改善活跃动物的神经活动监测. 该方法提高了图像清晰度和数据相关性,有助于神经电路分析.
科学领域:
- 神经科学是一个神经科学.
- 生物医学成像技术 生物医学成像技术
- 机器学习 机器学习
背景情况:
- 成像对于监测神经活动至关重要,但受到运动扭曲和噪声的影响,阻碍了分析.
- 现有的方法往往单独解决denoising或dewarping问题,对同时出现的工件缺乏有效性.
- DeepCAD模型有效地删除了运动工件,但可以在成像中重新引入噪音.
研究的目的:
- 开发一个有效的深度学习管道,用于同时消除成像视频的模糊和变形.
- 为了解决当前方法的局限性,这些方法无法处理组合的运动工件和噪声.
- 提高神经活动数据的清晰度和可靠性,以便随后进行分析.
主要方法:
- 一个双层深度学习管道,使用两个3D自主监督模型进行连续的dewarping和denoising.
- 将高频增强区块纳入破坏网络以恢复结构信息.
- 在解曲网络中包含层次感知和多尺度注意模块,以处理各种扭曲大小.
主要成果:
- 该管道成功地从带有运动扭曲和背景噪声的视频中恢复了高清晰度的神经元图像.
- 与DeepCAD相比,无声化模型将图像分辨率提高了30%左右,信号噪声比提高了28%.
- 与传统方法相比,管道提高了神经元恢复,信号忠实度和之间的数据相关性,比传统方法提高了35%和60%.
结论:
- 开发的深度学习管道为处理噪音和运动扭曲成像数据提供了有效的解决方案.
- 这种方法显著提高了神经活动监测的图像质量和数据可靠性.
- 该方法促进了清醒动物的长期神经活动监测,并增强了神经回路的功能分析.
