DeepVID v2:用于低光子电压成像的自我监督的无声化与解的时空增强

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,但在低光子条件下遭受严重的波桑噪声.
• 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 v2,一个自主监督的无光化框架,旨在克服低光子电压成像的局限性.
• 为了提高电压成像数据的空间和时间分辨率,而不需要地面真相信息.

主要方法:

• DeepVID v2 建立在原始的 DeepVID 框架之上,使用序列进行无声化,并将盲点像素纳入本地空间信息.
• 引入了一种新的空间先导提取分支,用于学习高分辨率的空间细节.
• 提供两个变体:一个在线版本用于实时推断,一个离线版本用于使用完整数据集实现最佳性能.

主要成果:

• DeepVID v2成功地克服了时空性能权衡,实现了卓越的无声化.
• 在解决高分辨率空间结构和快速时间神经元活动方面表现出增强的能力.
• 在各种信号噪声比率和极端低光子条件中显示了泛化.

结论:

• DeepVID v2 是一个强大的工具,可以提高电压成像质量.
• 该框架显示了对其他低光子成像模式的应用潜力.
• 促进对大脑中神经元活动的先进研究.