CN111476726A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111476726A CN111476726A CN202010217015.9A CN202010217015A CN111476726A CN 111476726 A CN111476726 A CN 111476726A CN 202010217015 A CN202010217015 A CN 202010217015A CN 111476726 A CN111476726 A CN 111476726A
- Authority
- CN
- China
- Prior art keywords
- denoising
- network
- generator
- neural network
- unsupervised
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 57
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 title claims abstract description 48
- 229910052791 calcium Inorganic materials 0.000 title claims abstract description 48
- 239000011575 calcium Substances 0.000 title claims abstract description 48
- 238000003384 imaging method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003042 antagnostic effect Effects 0.000 title claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 6
- 229910001424 calcium ion Inorganic materials 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 239000007850 fluorescent dye Substances 0.000 description 4
- 210000004556 brain Anatomy 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011503 in vivo imaging Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009261 transgenic effect Effects 0.000 description 2
- 238000000482 two photon fluorescence microscopy Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明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。
Description
技术领域
本发明涉及显微成像技术领域，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。
背景技术
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。
发明内容
本发明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，本发明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。
本发明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，本发明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。
本发明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，根据本发明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，在本发明的一个实施例中，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，在本发明的一个实施例中，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，在本发明的一个实施例中，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，在本发明的一个实施例中，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，本发明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。
本发明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，根据本发明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，在本发明的一个实施例中，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，在本发明的一个实施例中，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，在本发明的一个实施例中，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，在本发明的一个实施例中，所述编码器的基本架构可以为6层的编码器。
本发明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，或通过本发明的实践了解到。
附图说明
本发明上述的和/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为根据本发明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为根据本发明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为根据本发明一个实施例的神经网络的基本结构示意图；
图4为根据本发明一个实施例的神经元去噪结果示意图；
图5为根据本发明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为根据本发明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
下面详细描述本发明的实施例，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，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明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发明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是本发明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。
可选地，在本发明的一个实施例中，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，编码器的基本架构可以为6层的编码器。
例如，使用一个22层的三维编码解码网络作为对抗生成网络的生成器，使用一个6层的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可以得到具有很强去噪能力的无监督神经网络。
其中，在本发明的一个实施例中，如图2所示，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：通过生成器将噪声数据去噪，得到信噪比高于预设值的数据；通过判别器判断数据与参考数据进行比较，得到生成器的性能评估结果；通过损失函数评估生成器的性能，并通过反馈算法调整生成器的参数，直至满足预设条件。
具体而言，生成器用于将噪声数据去噪得到信噪比较高的数据。判别器用于判断生成器生成的数据与参考数据进行比较，从而对生成器性能进行评估。损失函数用于评估生成器性能，通过反馈算法调整生成器参数，提升生成网络的去噪性能。
另外，在本发明的一个实施例中，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，即损失函数为判别器误差、l1范数误差和l2范数误差的加和。
在步骤S103中，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。
即言，最终实现对于低信噪比神经元数据的去噪，同时钙信号也不会发生较大变形，不会破坏钙信号的提取。例如，在长时间对小鼠活体神经元动态信息观测的情况下，由于不得不降低激光功率从而减弱双光子激光对于小鼠大脑的损伤，以便于试验后小鼠进一步开展行为学实验或病理实验，此时采集得到的钙成像数据信噪比较低，不利于钙信号的提取和神经元轮廓的分割，因此本发明实施例的去噪方法是十分必要的。
举例而言，如图3所示，图中为神经网络基本结构图，部分不同箭头表示不同的神经网络运算，使用三维的长方体形状表示神经网络运算过程中得到的四维特征图谱，部分不同的三维立方体连接表示特征图谱在某维度上进行连接。图4中为使用仿真数据得到的神经元去噪结果，可以看到在输入如此强烈的噪声情况下，依然可以基本勾画出神经元的轮廓。图5中为使用仿真数据进行神经元去噪后，提取得到的钙信号曲线，可以看到钙信号曲线也得到了很好的去噪，这非常有利于进一步钙信号的提取，从而根据实验结果分析得到更为可靠的神经科学信息。
应用过程中，如图2所示，代码需要在计算机上运行，使用的主要计算资源为CPU或GPU，另外需要硬件作为数据存储。
具体的，代码使用TensorFlow或Pytorch作为主要编程框架，python作为主要编程语言。其中tensorflow的神经网络架构为静态网络，因此代码调试比较复杂，但训练速度较快。Pytorch的神经网络为动态架构，也就是需要计算哪个元素再根据代码构架计算该元素需要的神经网络。
代码训练使用仿真数据集和实际采集数据集，因为是无监督方法，因此无需真值进行对比。
仿真数据使用以往实验中提取得到的神经元轮廓作为模板，根据钙信号的一阶自回归模型作为钙信号模板，可以生成得到仿真的钙信号活动数据。在原始数据上加上泊松噪声和高斯噪声，就可以得到测试算法使用的仿真数据。
真实数据是使用双光子奥林巴斯显微镜对小鼠脑部神经元活动成像得到，成像速度为30张每秒，成像时间为30分钟到60分钟。
使用单个GPU进行训练时，基本需要训练50到100个循环，所需时间为24小时到48小时。
根据本发明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。
其次参照附图描述根据本发明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装置。
图6是本发明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。
如图6所示，该基于对抗神经网络的无监督双光子钙成像去噪装置10包括：采集模块100、训练模块200和去噪模块300。
其中，采集模块100，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200，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300，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。
进一步地，在本发明的一个实施例中，所述训练模块100包括：第一获取单元、第二获取单元和优化单元。
其中，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，在本发明的一个实施例中，所述损失函数的基本架构可以为判别器误差、l1范数误差与l2范数误差的和。
可选地，在本发明的一个实施例中，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，在本发明的一个实施例中，所述编码器的基本架构可以为6层的编码器。
需要说明的是，前述对基于对抗神经网络的无监督双光子钙成像去噪方法实施例的解释说明也适用于该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，此处不再赘述。
根据本发明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。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
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。
6.一种基于对抗神经网络的无监督双光子钙成像去噪装置，其特征在于，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；以及
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。
7.根据权利要求6所述的装置，其特征在于，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。
8.根据权利要求7所述的装置，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。
9.根据权利要求6所述的装置，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。
10.根据权利要求6所述的装置，其特征在于，所述编码器的基本架构为6层的编码器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010217015.9A CN111476726B (zh) | 2020-03-25 | 2020-03-25 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010217015.9A CN111476726B (zh) | 2020-03-25 | 2020-03-25 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476726A true CN111476726A (zh) | 2020-07-31 |
| CN111476726B CN111476726B (zh) | 2023-05-23 |
Family
ID=71748393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010217015.9A Active CN111476726B (zh) | 2020-03-25 | 2020-03-25 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476726B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191981A (zh) * | 2021-05-13 | 2021-07-30 | 清华大学 | 基于非负矩阵分解的深层双光子钙成像方法和装置 |
| CN113516238A (zh) * | 2020-11-25 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、去噪方法、模型、设备及存储介质 |
| CN113674168A (zh) * | 2021-08-05 | 2021-11-19 | 清华大学 | 实时的荧光成像智能增强方法与装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020117579A1 (en) * | 2000-12-29 | 2002-08-29 | Kotoulas Antonios N. | Neural net controller for noise and vibration reduction |
| CN108154513A (zh) * | 2017-11-21 | 2018-06-12 | 中国人民解放军第三军医大学 | 基于双光子成像数据的细胞自动探测和分割方法 |
| US20190096038A1 (en) * | 2017-09-26 | 2019-03-28 | Samsung Electronics Co., Ltd. | Image denoising neural network architecture and method of training the same |
| CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
| CN110298804A (zh) * | 2019-07-01 | 2019-10-01 | 东北大学 | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 |
-
2020
- 2020-03-25 CN CN202010217015.9A patent/CN111476726B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020117579A1 (en) * | 2000-12-29 | 2002-08-29 | Kotoulas Antonios N. | Neural net controller for noise and vibration reduction |
| US20190096038A1 (en) * | 2017-09-26 | 2019-03-28 | Samsung Electronics Co., Ltd. | Image denoising neural network architecture and method of training the same |
| CN108154513A (zh) * | 2017-11-21 | 2018-06-12 | 中国人民解放军第三军医大学 | 基于双光子成像数据的细胞自动探测和分割方法 |
| CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
| CN110298804A (zh) * | 2019-07-01 | 2019-10-01 | 东北大学 | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 |
Non-Patent Citations (4)
| Title |
|---|
| HOD DANA 等: "High-performance calcium sensors for imaging activity in neuronal populations and microcompartments" * |
| 姜润华 等: "用于神经活动观测的随机扫描双光子显微成像" * |
| 陈锟等: "生成对抗网络在医学图像处理中的应用", 《生命科学仪器》 * |
| 黄慈玉: "基于细胞识别和事件探测算法对钙成像数据的自动化分析研究及应用", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑 第2期》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516238A (zh) * | 2020-11-25 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 一种模型训练方法、去噪方法、模型、设备及存储介质 |
| CN113191981A (zh) * | 2021-05-13 | 2021-07-30 | 清华大学 | 基于非负矩阵分解的深层双光子钙成像方法和装置 |
| CN113191981B (zh) * | 2021-05-13 | 2022-09-09 | 清华大学 | 基于非负矩阵分解的深层双光子钙成像方法和装置 |
| CN113674168A (zh) * | 2021-08-05 | 2021-11-19 | 清华大学 | 实时的荧光成像智能增强方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476726B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lefkimmiatis et al. | Poisson image reconstruction with Hessian Schatten-norm regularization | |
| Rieck et al. | Uncovering the topology of time-varying fmri data using cubical persistence | |
| CN111476726B (zh) | 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 | |
| CN113724880A (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
| Frick et al. | Statistical multiresolution Dantzig estimation in imaging: Fundamental concepts and algorithmic framework | |
| US20210287780A1 (en) | Methods for Risk Map Prediction in AI-based MRI Reconstruction | |
| Li | Deep learning for image denoising | |
| CN113808234B (zh) | 一种基于欠采样的快速磁粒子成像重建方法 | |
| Rani et al. | Brain tumor detection and classification with feed forward back-prop neural network | |
| CN113837974A (zh) | 一种基于改进beeps滤波算法的nsst域电力设备红外图像增强方法 | |
| Matlock et al. | Physical model simulator-trained neural network for computational 3d phase imaging of multiple-scattering samples | |
| Liu et al. | Using simulated training data of voxel-level generative models to improve 3D neuron reconstruction | |
| Annavarapu et al. | An adaptive watershed segmentation based medical image denoising using deep convolutional neural networks | |
| CN113378472A (zh) | 一种基于生成对抗网络的混合边界电磁逆散射成像方法 | |
| Galiano et al. | Non-convex non-local reactive flows for saliency detection and segmentation | |
| Ekmekci et al. | Quantifying generative model uncertainty in posterior sampling methods for computational imaging | |
| CN115294300A (zh) | 多分支注意力先验参数化有限投影快速荧光断层重建方法 | |
| CN111914952B (zh) | 一种基于深度神经网络的ad特征参数筛选方法及系统 | |
| Kar et al. | Assessment of deep learning algorithms for 3D instance segmentation of confocal image datasets | |
| Darıcı et al. | A comparative study on denoising from facial images using convolutional autoencoder | |
| Bianchi et al. | A data-dependent regularization method based on the graph Laplacian | |
| Hu et al. | Remote Sensing Image Reconstruction Method Based on Parameter Adaptive Dual-Channel Pulse-Coupled Neural Network to Optimize Multiscale Decomposition | |
| CN115719438B (zh) | 医学图像的去伪影模型训练方法、装置、设备及存储介质 | |
| CN116777793B (zh) | 基于对数引导对比学习的医学影像提示去噪技术 | |
| Tang et al. | A Two-stage Raman Imaging Denoising Algorithm Based on Deep Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |