利用空间-角度冗余实现无时序依赖的3D荧光成像自监督去噪：突破光子噪声极限的高保真活体观测新方法

《Nature Communications》：Leveraging spatial-angular redundancy for self-supervised denoising of 3D fluorescence imaging without temporal dependency

　　本研究针对3D荧光成像中光子噪声严重制约成像质量与时长的问题，开发了一种基于空间-角度冗余的自监督去噪框架LF-denoising。该技术通过双向角度遍历策略和双Transformer架构，在不依赖时序信息的情况下实现了11 dB的信噪比提升，成功解决了传统方法在高速动态样本成像中存在的运动模糊和空间分辨率损失问题。在斑马鱼、小鼠、果蝇等多种模式生物上的实验证明，该方法可在10 μW/mm2的超低激发功率下实现长达10小时的高分辨率3D活体成像，并显著保留神经活动的因果性，为免疫学和神经科学等领域的定量生物学研究提供了重要工具。

　　

在生命科学领域，高分辨率三维荧光成像技术为了解生物体内细胞和亚细胞结构的动态过程提供了重要窗口。然而，光子噪声一直是限制成像质量的关键因素，尤其在长时间活体观测中，为减少光毒性必须使用低激发功率，导致图像信噪比(SNR)急剧下降。传统去噪方法存在明显局限：基于监督学习的方法需要难以获取的清晰-噪声图像对；而自监督方法则依赖时序冗余（假设连续帧信号相似）或空间冗余（需要过采样），前者在高速动态样本中会产生运动模糊，后者则会牺牲视场或分辨率。这些限制使得现有方法难以满足高度动态的三维样本观测需求。

针对这一挑战，清华大学戴琼海团队在《Nature Communications》发表的研究提出了一种创新解决方案——LF-denoising。该方法首次利用光场显微镜(LFM)特有的空间-角度冗余，在不依赖时序信息的情况下实现高质量自监督去噪。光场显微镜通过单次曝光同时记录空间和角度信息，为三维体积成像提供了高维数据。研究团队发现，与仅利用单一维度的冗余相比，联合利用空间-角度冗余能显著提升去噪性能。

LF-denoising的核心创新在于其独特的处理流程。研究团队将噪声空间-角度图像通过双向角度遍历转换为两种对极平面图像(EPI)，利用EPI域明确表示空间-角度约束的特性，建立了四组高维数据对用于自监督训练。网络采用混合架构，包含两个分别处理x-s和y-t方向EPI的Transformer子网络，以及一个基于注意力的融合模块。这种设计能有效利用周围空间-角度像素提升EPI的信噪比，同时通过多组正交掩码建立全局损失函数以增强保真度。

关键技术方法包括：1）基于光场显微镜的空间-角度数据采集系统（包括传统LFM、高分辨率扫描LFM和双光子合成孔径显微镜2pSAM）；2）双向角度遍历的EPI数据预处理策略；3）结合卷积编码器和Transformer的混合神经网络架构；4）基于注意力的多路径特征融合模块。实验样本涵盖斑马鱼胚胎和幼虫、小鼠肝脏和大脑、果蝇大脑等多种模式生物。

研究团队通过大量实验验证了LF-denoising的卓越性能。在模拟数据测试中，该方法相比BM3D、Noise2Void、Noise2Noise、DeepInterpolation、DeepCAD-RT、DeepSeMi、SRDTrans等先进方法，在峰值信噪比(PSNR)上提升3 dB，均方根误差(RMSE)降低30%，能更好保留亚微米级结构的细节信息。

时序独立性提升LFM对高速动态过程的灵敏度

在斑马鱼心脏跳动成像实验中，LF-denoising展现出对高速动态样本的独特优势。在50体积/秒(VPS)的成像速度下，血细胞快速流动导致连续帧间差异显著。依赖时序冗余的方法如DeepCAD-RT和DeepSeMi产生运动模糊，而基于空间冗余的SRDTrans也表现不佳。LF-denoising则清晰解析了血细胞和血管结构，实现了单个心脏周期内0.2秒的细胞轨迹精确追踪。

空间-角度冗余促进sLFM无伪影高保真去噪

在扫描光场显微镜(sLFM)应用中，LF-denoising有效解决了微透镜阵列(MLA)固定图案伪影问题。在10 μW/mm²的超低光强下，该方法成功实现了斑马鱼胚胎中迁移体形成过程的十小时连续观测，而传统方法在低信噪比条件下会产生严重固定图案伪迹。在小鼠肝脏中性粒细胞成像中，LF-denoising在激发光强降低20倍的条件下仍能清晰解析细胞完整形态和迁移体形成过程。在小鼠大脑皮层神经活动记录中，该方法使神经元钙信号迹线质量显著提升，与高信噪比记录高度一致。

LF-denoising保留神经活动因果关系用于2pSAM

在果蝇大脑嗅觉刺激实验中，LF-denoising在保留神经活动因果性方面展现独特优势。与依赖时序卷积的方法不同，LF-denoising避免了神经脉冲形态畸变和响应时间失真。格兰杰因果分析表明，该方法能更好保留脑区间的因果关系，为神经环路研究提供更可靠数据。

讨论与结论

LF-denoising通过充分利用光场成像中的空间-角度冗余，突破了传统去噪方法的技术瓶颈。其时序独立性使其特别适用于高度动态的三维样本成像，而高维冗余的充分利用则保证了细节保留和伪影抑制。该方法在多种光场成像系统（LFM、sLFM、2pSAM）和模式生物（斑马鱼、果蝇、小鼠）中的成功应用，证明了其广泛适用性。能够在极低光子预算下实现长时程、高保真的活体亚细胞观测，为免疫学、神经科学等领域的定量生物学研究提供了强大工具，有望推动生命科学观测技术向更低光毒性、更高时空分辨率方向发展。

研究还探讨了与扩散模型等新兴去噪方法的比较，指出LF-denoising在推理速度和实用性方面的优势。尽管在角度视图数减少时性能会有所下降，但该方法在13个角度视图的2pSAM数据上仍表现良好，展现了其对不同成像设置的适应性。未来，该框架可与虚拟扫描、共聚焦检测、多尺度建模等先进技术结合，进一步提升成像性能。