基于对抗神经网络的无监督双光子钙成像去噪方法及装置制造方法及图纸

本发明专利技术公开了一种基于对抗神经网络的无监督双光子钙成像去噪方法及装置，其中，方法包括：采集得到的信噪比低于预设值的双光子神经元钙成像图像序列；通过三维编码解码网络作为对抗生成网络的生成器，使用编码器作为对抗生成网络的判别器，通过端到端训练的方式得到无监督神经网络；通过无监督神经网络对低于预设值的神经元数据进行去噪。本发明专利技术实施例的方法可以有效提升去噪效果，有效实现对于低信噪比神经元数据的去噪，简单易实现。

【技术实现步骤摘要】
基于对抗神经网络的无监督双光子钙成像去噪方法及装置
本专利技术涉及显微成像
，特别涉及一种基于对抗神经网络的无监督双光子钙成像去噪方法及装置。
技术介绍
双光子荧光成像作为神经科学和脑科学中一种极为重要的成像手段，因其抗散射能力强、成像深度大等优点，被广泛应用于小鼠脑活动在体成像、免疫组织在体成像等声明科学领域。但与此同时，因为双光子荧光成像通常使用光电倍增管作为荧光信号探测，而光电倍增管自身具有较高的热噪声，因此探测得到的图像通常不具备较高的质量，再加上如果进行在体长时间观测(例如一些行为学实验)，实验者需要减小双光子激光的光强从而减小激光自身能量对于生物样本的伤害，因此设计合适的去噪算法提升双光子图像的质量是十分必要的。钙成像是一种使用钙离子荧光探针对细胞内钙离子浓度进行检测的重要手段，神经元细胞在产生信号活性时，内部钙离子浓度回发生急剧变话，从而使钙离子荧光探针具备发射荧光光子的能力。钙离子荧光探针通常被分为两类：化学型和转基因型。在进行生物实验时我们通常使用的是转基因型的钙离子荧光探针指示剂，它具有荧光性能保留时间长、荧光信号稳定的重要优点。图像去噪是计算机视觉领域的重要问题。通常图像去噪基本是基于图像的平滑、自相似性、全局一致型、稀疏性、可压缩性、噪声数据独立性等完成图像的去噪工作。传统算法中目前性能最强的是稀疏三维变换域协同过滤的图像去噪算法，算法的复杂度较高，运行时间较长。最近几年神经网络的发展使得同样涌现出了大批使用神经网络完成去噪任务的算法框架，作为一种强大的拟合算法，越来越多的传统算法也在被神经网络所超越和替代。神经网络中对于图像较为鲁棒的是卷积神经网络，其基本运算为卷积运算，主要使用的计算操作包括激活函数、归一化、池化运算和反向传播。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种基于对抗神经网络的无监督双光子钙成像去噪方法，该方法可以有效提升去噪效果，有效实现对于低信噪比神经元数据的去噪，简单易实现。本专利技术的另一个目的在于提出一种基于对抗神经网络的无监督双光子钙成像去噪装置。为达到上述目的，本专利技术一方面实施例提出了一种基于对抗神经网络的无监督双光子钙成像去噪方法，包括以下步骤：采集得到的信噪比低于预设值的双光子神经元钙成像图像序列；通过三维编码解码网络作为对抗生成网络的生成器，使用编码器作为对抗生成网络的判别器，通过端到端训练的方式得到无监督神经网络；通过所述无监督神经网络对低于所述预设值的神经元数据进行去噪。本专利技术实施例的基于对抗神经网络的无监督双光子钙成像去噪方法，可以有效提升去噪效果，有效实现对于低信噪比神经元数据的去噪，简单易实现。另外，根据本专利技术上述实施例的基于对抗神经网络的无监督双光子钙成像去噪方法还可以具有以下附加的技术特征：其中，在本专利技术的一个实施例中，所述通过三维编码解码网络作为对抗生成网络的生成器，使用编码器作为对抗生成网络的判别器，通过端到端训练的方式得到无监督神经网络，包括：通过所述生成器将噪声数据去噪，得到所述信噪比高于所述预设值的数据；通过所述判别器判断所述数据与参考数据进行比较，得到所述生成器的性能评估结果；通过损失函数评估所述生成器的性能，并通过反馈算法调整所述生成器的参数，直至满足预设条件。可选地，在本专利技术的一个实施例中，所述损失函数的基本架构为判别器误差、l1范数误差与l2范数误差的和。可选地，在本专利技术的一个实施例中，所述三维编码解码网络的基本架构可以为22层的三维编码解码器。可选地，在本专利技术的一个实施例中，所述编码器的基本架构可以为6层的编码器。为达到上述目的，本专利技术另一方面实施例提出了一种基于对抗神经网络的无监督双光子钙成像去噪装置，包括：采集模块，用于采集得到的信噪比低于预设值的双光子神经元钙成像图像序列；训练模块，用于通过三维编码解码网络作为对抗生成网络的生成器，使用编码器作为对抗生成网络的判别器，通过端到端训练的方式得到无监督神经网络；去噪模块，用于通过所述无监督神经网络对低于所述预设值的神经元数据进行去噪。本专利技术实施例的基于对抗神经网络的无监督双光子钙成像去噪装置，可以有效提升去噪效果，有效实现对于低信噪比神经元数据的去噪，简单易实现。另外，根据本专利技术上述实施例的基于对抗神经网络的无监督双光子钙成像去噪装置还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述训练模块包括：第一获取单元，用于通过所述生成器将噪声数据去噪，得到所述信噪比高于所述预设值的数据；第二获取单元，用于通过所述判别器判断所述数据与参考数据进行比较，得到所述生成器的性能评估结果；优化单元，用于通过损失函数评估所述生成器的性能，并通过反馈算法调整所述生成器的参数，直至满足预设条件。可选地，在本专利技术的一个实施例中，所述损失函数的基本架构为判别器误差、l1范数误差与l2范数误差的和。可选地，在本专利技术的一个实施例中，所述三维编码解码网络的基本架构可以为22层的三维编码解码器。可选地，在本专利技术的一个实施例中，所述编码器的基本架构可以为6层的编码器。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为根据本专利技术实施例的基于对抗神经网络的无监督双光子钙成像去噪方法的流程图；图2为根据本专利技术实施例的基于对抗神经网络的无监督双光子钙成像去噪方法的原理示意图；图3为根据本专利技术一个实施例的神经网络的基本结构示意图；图4为根据本专利技术一个实施例的神经元去噪结果示意图；图5为根据本专利技术一个实施例的神经元去噪后提取得到的钙信号曲线示意图；图6为根据本专利技术一个实施例的基于对抗神经网络的无监督双光子钙成像去噪装置的方框示意图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。下面参照附图描述根据本专利技术实施例提出的基于对抗神经网络的无监督双光子钙成像去噪方法及装置，首先将参照附图描述根据本专利技术实施例提出的基于对抗神经网络的无监督双光子钙成像去噪方法。图1是本专利技术实施例的基于对抗神经网络的无监督双光子钙成像去噪方法的流程图。如图1所示，该基于对抗神经网络的无监督双光子钙成像去噪方法包括以下步骤：在步骤S101中，采集得到的信噪比低于预设值的双光子神经元钙成像图像序列。可以理解的是，首先采集得到的信噪比较低的双光子神经元钙成像图像序列，预设值可以由本领域技术人员根据实际情况进行设置，在此不作具体限制。在步骤S102中，通过本文档来自技高网...

【技术保护点】
1.一种基于对抗神经网络的无监督双光子钙成像去噪方法，其特征在于，包括以下步骤：/n采集得到的信噪比低于预设值的双光子神经元钙成像图像序列；/n通过三维编码解码网络作为对抗生成网络的生成器，使用编码器作为对抗生成网络的判别器，通过端到端训练的方式得到无监督神经网络；以及/n通过所述无监督神经网络对低于所述预设值的神经元数据进行去噪。/n

【技术特征摘要】
1.一种基于对抗神经网络的无监督双光子钙成像去噪方法，其特征在于，包括以下步骤：
采集得到的信噪比低于预设值的双光子神经元钙成像图像序列；
通过三维编码解码网络作为对抗生成网络的生成器，使用编码器作为对抗生成网络的判别器，通过端到端训练的方式得到无监督神经网络；以及
通过所述无监督神经网络对低于所述预设值的神经元数据进行去噪。


2.根据权利要求1所述的方法，其特征在于，所述通过三维编码解码网络作为对抗生成网络的生成器，使用编码器作为对抗生成网络的判别器，通过端到端训练的方式得到无监督神经网络，包括：
通过所述生成器将噪声数据去噪，得到所述信噪比高于所述预设值的数据；
通过所述判别器判断所述数据与参考数据进行比较，得到所述生成器的性能评估结果；
通过损失函数评估所述生成器的性能，并通过反馈算法调整所述生成器的参数，直至满足预设条件。


3.根据权利要求2所述的方法，其特征在于，所述损失函数的基本架构为判别器误差、l1范数误差与l2范数误差的和。


4.根据权利要求1所述的方法，其特征在于，所述三维编码解码网络的基本架构为22层的三维编码解码器。


5.根据权利要求1所述的方法，其特征在于，所述编码器的基本架构为6层的编码器...

【专利技术属性】
技术研发人员：戴琼海，张国勋，吴嘉敏，李欣阳，王好谦，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11