PhotoniX | 自监督结构光显微图像去噪——助力活细胞长时程动态观测

结构光显微技术是一种高速的超分辨率成像方法，通过采集数张正弦条纹光束照明下的样本图像，再经由计算重构获得约两倍分辨率的提升，实现对线粒体内脊、网格蛋白小泡等亚细胞器结构的解析。然而，由于活体细胞对强光照射十分敏感，为了在成像过程中保持细胞的健康，原始采集图像的信噪通常较低，导致最终重建图片中会出现严重的噪声伪影，淹没样本有效信息，进而严重限制了结构光显微在活体细胞成像中的应用。针对上述问题，近年来研究者们提出了多种基于深度学习的结构光显微图像去噪方法，然而现有方法多采用有监督学习的训练机制，需要大量的无噪声图像支撑训练集的构建，这不仅增加了实验成本，也使得其无法应用于许多难以高效荧光标记的样本中。因此，如何仅利用低信噪比图像实现对结构光显微伪影的去除，是一个亟待解决的技术难题。

围绕着上述需求，一些传统算法通过提高结构光参数估计精度、基于图像先验优化等方式对结构光显微图像进行去噪。然而，由于实际光学成像过程非常复杂，并且图像去噪任务在理论上是欠定问题，因此这类算法展现出的去噪能力非常有限。近些年，深度神经网络在各种光学成像任务中表现出了卓越的性能，一些基于深度学习的结构光显微重建算法获得了极佳的效果。然而，现有方法多数基于有监督学习，需要良好配准的低-高信噪比图像对来构建训练数据集，无法应用在低荧光效率或高速运动的生物样本上。

基于上述问题，本文提出了一种基于像素重排列的自监督方法（PRS-SIM），能够在比传统重建算法方法使用低至20倍有效采集光子数的情况下，实现无伪影的高质量重建。此外PRS-SIM能够适用于二维/三维/全内反/晶格光片/非线性等多种结构光显微系统，实现不同结构光超分辨模态数据的去噪。

我们首先在已知真值数据的固定细胞样本下验证PRS-SIM的性能。如图2所示，训练数据的有效采集光子相对于无噪声真实数据低10倍以上。在三种典型的结构中（网格蛋白小泡、微管、内质网），PRS-SIM均能够显著去除重建伪影，获得媲美于真值数据的性能，验证了其有效性。