深度学习的多光子显微镜图像降噪
多光子显微镜(MPM)图像固有地以低信噪比(SNR)捕获,从而抑制了对更深的大脑层成像的过程,实现了更高的时间和空间分辨率。 虽然基于线性滤波的经典方法无法处理MPM图像中占主导地位的泊松噪声,但深度学习图像恢复目前是一个热门话题。 在这项工作中,在MPM图像的去噪性能方面,比较了三种监督(CARE,DnCNN和ResNet)和三种非监督(Noise2Noise,Noise2Void和概率性Noise2Void)深度学习方法,并研究了监督与非监督方法之间的差距。 通过在训练数据中添加具有不同噪声水平的图像,我们的模型可以推广到盲噪声图像。 无偏神经网络也检查了泛化能力。 结果表明,我们的基于深度学习的模型实现了令人满意的降噪性能,并在广泛的噪声水平范围内进行了归纳。 还证明了与监督方法相比,无监督方法仅表现出稍微降低的降噪性能。 该发现具有重要意义,因为收集
1