一种基于深度学习荧光图像去噪方法

本发明属于荧光图像降噪，具体为一种基于深度学习的荧光图像去噪方法。

背景技术：

1、荧光成像技术是生命科学、细胞生物学、临床医学等领域的核心观测手段，凭借高特异性、高灵敏度的成像优势，被广泛应用于细胞结构观测、生物分子追踪、病变机制研究与疾病早期筛查等科研与临床场景。然而在实际成像过程中，受成像设备光电噪声、激光散射、光漂白、环境干扰以及生物样本自身荧光背景干扰等多重因素影响，采集到的荧光图像普遍存在信噪比低、噪声分布复杂、有效细节模糊等问题。杂乱的噪声会掩盖微弱的生物荧光特征、破坏图像纹理信息，不仅大幅降低荧光图像的成像质量，还会导致后续图像分析、特征提取、病理判读结果出现偏差，严重制约荧光成像技术在高精度生物研究与精准临床诊断中的应用。因此，高效、高精度的荧光图像去噪技术，是保障荧光成像数据真实性、提升微观生物观测精度的核心关键。

2、现阶段，图像去噪技术主要分为传统滤波去噪技术与深度学习智能去噪技术两大类。其中，传统图像去噪方法包含高斯滤波、中值滤波、双边滤波、小波变换等，此类算法依托固定数学公式对图像像素进行平滑处理，运算逻辑简单、落地成本低，能够针对均匀、单一的高斯噪声、椒盐噪声实现基础降噪效果。但传统算法通用性极差，无法适配荧光图像复杂的混合噪声分布特性，且降噪过程中存在严重的细节丢失问题，极易弱化荧光靶点边缘特征、模糊微观纹理细节，出现过度降噪、噪声残留、图像失真等缺陷，难以满足高精度生物荧光成像的处理需求。

3、随着人工智能技术的飞速发展，基于深度学习的图像去噪方法凭借强大的非线性特征拟合、自主特征学习能力，突破了传统算法的固有局限，成为当前图像去噪领域的主流研究方向。现有深度学习去噪模型多基于基础卷积网络、transformer网络搭建，通过海量数据学习图像有效特征与噪声特征的差异，实现端到端的图像降噪与重建，相较于传统算法，其降噪精度、场景适应性与细节保留能力均大幅提升。

4、但目前主流深度学习去噪模型在面向生物荧光图像降噪任务时，仍存在诸多难以规避的技术缺陷。其一，现有网络多采用单一尺度的特征提取与融合方式，仅能捕捉图像浅层或单一维度的特征信息，无法充分挖掘荧光图像多尺度微观特征。荧光图像存在靶点微小、特征细碎、深浅层特征差异大的特点，单一尺度特征提取极易造成微小荧光靶点、边缘纹理等关键细节丢失，深浅层特征无法互补，导致最终降噪图像细节模糊、特征表达不充分，降噪精准度不足。其二，现有深度学习去噪模型普遍采用固定、统一的全局损失函数优化策略，未结合荧光图像多尺度特征分布特性进行差异化约束。传统损失函数对图像靶点特征区、边缘细节区、纯噪声背景区执行无差别拟合优化，无法适配荧光图像微小靶点细碎、高低频特征跨度大、噪声分布不均匀的特点。在模型训练过程中，统一的优化权重会导致网络过度抹平微小荧光靶点的细节特征，弱化多尺度融合后的有效纹理信息，同时对复杂背景区域的噪声约束力度不足，无法精准适配不同尺度、不同信噪比特征的优化需求，最终造成多尺度特征融合利用率低、微弱荧光细节丢失、局部噪声残留等问题，极大降低了荧光图像去噪后的整体保真度与成像精度。其三，常规网络缺乏自适应特征筛选与噪声抑制能力，面对荧光图像复杂的混合噪声、密集重叠的荧光靶点场景，无法精准区分噪声特征与有效生物特征，易出现降噪不彻底、图像伪影、特征失真等问题，难以兼顾高效降噪与精细细节保留的双重需求，极大限制了荧光图像在高精度科研与临床诊疗中的应用。

5、针对上述现有技术存在的缺陷，本发明提出一种基于深度学习特征融合的荧光图像去噪方法，通过构建编码器-解码器结构、多尺度特征融合模块以及门控自适应筛选模块相配合的网络架构，针对性解决传统模型细节丢失、优化不精准、噪声区分能力弱的技术难题，具体改进措施如下：

6、一，本发明设计多级编码编码器模块，替代传统单一尺度特征提取结构。通过多层编码单元逐层提取荧光图像浅层纹理细节与深层语义特征，同步捕捉微小荧光靶点的细粒度信息与全局图像分布特征，解决了传统网络单一下采样导致的小目标特征模糊、微观细节丢失的问题，有效提升网络对多尺度荧光特征的提取能力，为后续高精度去噪提供充足、完整的特征基础。

7、二，本发明增设渐进式多尺度特征融合模块，对编码器输出的多级不同尺度特征进行跨层双向交互融合。通过浅层、中层、深层特征的逐级关联与互补更新，实现高低频特征的充分流通与聚合，避免单一层级特征信息片面化问题，最大化利用多尺度有效特征，弥补了传统模型特征融合不充分、尺度适配性差的缺陷，显著提升多尺度特征利用率。

8、三，本发明引入门控自适应模块，实现荧光图像有效特征与噪声特征的智能甄别与加权校准。门控模块可根据不同图像区域的特征差异自适应生成权重系数，对荧光靶点、边缘细节等有效特征进行强化保留，对复杂背景噪声、冗余伪特征进行抑制过滤，解决了传统网络无差别特征处理导致的降噪不彻底、特征失真、伪影严重等问题。本发明通过多模块协同优化，能够在高强度噪声、密集靶点重叠、低信噪比等复杂荧光成像场景下，兼顾高效噪声去除与微观细节高精度保留，大幅提升荧光图像去噪质量与成像保真度。

技术实现思路

1、针对现有技术存在的上述技术问题，本发明公开了基于深度学习的荧光图像去噪方法。

2、本发明采取如下技术方案：

3、一种基于深度学习荧光图像去噪方法，其包括如下模块：

4、编码器解码器模块：由enblock、dnblock堆叠组成，逐层下采样提取多尺度荧光图像特征，内置layernorm、sca 注意力、sg 激活增强特征表达；

5、多尺度特征融合模块：采用多层级特征交叉流通结构，让深浅层特征双向交互，充分融合不同尺度空间信息；

6、门控模块：双分支卷积生成门控权重，对两路输入特征加权筛选后融合，自适应过滤噪声特征、保留有效荧光纹理信息。

7、优选的，编码器解码器模块中，作为整个去噪网络的基础特征提取与图像重建单元。其中编码器由多级堆叠的编码单元构成，通过逐步下采样的方式分层挖掘荧光图像的多维度特征信息，浅层编码单元重点学习图像边缘、纹理、微小荧光靶点等细节特征，深层编码单元聚焦提取图像全局语义与背景分布特征，有效解决传统网络单一尺度特征提取导致的细节丢失、特征表达不足的问题。

8、编码器解码器模块中，具体步骤如下：

9、将输入的原始荧光数据经过3×3大小的卷积层，进行初步的特征提取，其通道数由原始的3变成16。

10、然后经过1×1大小的普通卷积，通道数由16变成32，关联各通道信息，然后经过3×3的深度卷积，步长为2，对其进行下采样。

11、然后经过enblock模块，该模块的具体步骤如下：1.对输入数据进行layernorm使模型的训练更加稳定，然后通过1×1大小的普通卷积对通道数进行翻倍，3×3大小的深度卷积；然后通过sg模块，该模块将输入数据进行分离，分成特征通道数相等的两个特征图，然后进行点乘操作；然后经过sca模块，该模块是对通道注意力机制的简化，首先对输入数据进行全局池化，然后输入1×1大小的普通卷积，最后与输入的原始数据进行相乘；然后经过1×1大小的普通卷积，并与输入的数据进行残差连接，得出中间的输出特征结果；然后经过layernorm，1×1大小的普通卷积，sg模块，1×1大小的普通卷积，将得出的结果与中间的输出特征结果进行残差连接。

12、然后经过下采样+enblock模块组合三次，最后经过一个enblock模块，编码器部分完成。

13、然后经过一个deblock模块，deblock模块的结构为：输入数据经过layernorm，然后分别经过1×1大小的普通卷积和3×3的深度卷积，5×5的深度卷积，7×7的深度卷积，对三个卷积的不同尺度输出进行加权融合，然后经过1×1的普通卷积，sg模块，sca模块，1×1的普通卷积，将输出的结果与原始输入进行残差连接，得出中间结果的输出特征；然后layernorm模块，分别经过1×1的普通卷积，1×1的普通卷积；1×1的普通卷积，3×3的深度卷积；将得到的两个特征图进行相乘，然后经过1×1的普通卷积，最后与中间的输出特征进行残差连接。然后经过上采样，跨越连接，deblock模块的组合四次，每次上采样特征通道数减半。

14、最后经过一个3×3的普通卷积，得出输出。

15、优选的，在多尺度特征融合模块中，采用渐进式融合方式可实现荧光图像浅层细节特征、中层过渡特征与深层全局语义特征的充分流通与深度耦合，使各尺度特征相互补充、逐层修正，有效解决传统去噪网络深浅特征割裂、尺度信息利用单一、微小荧光靶点特征融合不充分的问题。通过多级交叉迭代融合，既保留低尺度下微弱荧光靶点、边缘纹理等精细细节信息，又充分利用高尺度全局语义特征抑制复杂背景噪声，大幅提升多尺度有效特征的利用率，为后续门控筛选与图像高精度重建提供丰富、完备的特征表征，显著提升复杂低信噪比荧光图像的去噪与细节复原能力。

16、多尺度特征融合模块中，具体步骤如下：

17、获取编码器各级enblock输出的多尺度特征 x1、x2、x3、x4，采用渐进式跨层交互策略完成特征融合

18、浅层特征x1与次浅层特征x2进行双向融合得出x1和x2；

19、经融合更新后的x1和x2，x1与x2融合得到x1，x2与x1,x3交叉融合得到x2，x3与x2融合得到x3；

20、经融合更新后的x1,x2,x3，x1,x2的融合与步骤3相同，x3与x2,x4做交叉融合得到x3，x4与x3和x4融合得到x4；

21、通过逐层跨尺度信息流通，实现深浅层特征充分互补，完整保留荧光图像不同尺度下的纹理与分子细节。

22、优选的，门控模块中，门控模块能够精准甄别荧光图像中的有效靶点区域、边缘细节区域与纯噪声背景区域，对携带生物信息的微弱荧光纹理、微小靶点特征进行权重增强，强化关键有效特征表征能力；同时对杂乱背景噪声、融合冗余伪特征、无效高频干扰信息进行权重压制与剔除。该自适应门控调控策略，可动态适配不同噪声强度、不同靶点密集程度、不同信噪比的复杂荧光成像场景。

23、门控模块中，具体步骤如下：

24、对于特征融合部分的输出，与解码器对应部分进行门控融合，将特征融合模块的输出与对应解码器的输出进行特征通道方向的拼接，然后在分别通过一条1×1普通卷积，3×3深度卷积和gelu激活，将得出的两个支路的结果进行相乘，然后经过1×1的普通卷积，并与输入模块的数据进行残差连接。

25、模型训练步骤如下：

26、网络输入为原始三通道荧光图像，首先经过一层3×3标准卷积层，卷积操作保持图像尺寸不变，将原始输入图像的3特征通道映射转换为16维特征通道，完成初始浅层特征提取与通道升维。

27、将预处理得到的16维特征依次经过1×1标准卷积与3×3深度卷积组合模块，实现特征通道数翻倍、特征图空间尺寸减半，完成第一次下采样与特征维度扩充。

28、将上述输出特征送入enblock编码层，得到第一级浅层特征x1；随后再次通过1×1标准卷积与3×3深度卷积组合模块，继续完成特征通道翻倍、特征图尺寸减半，实现第二次下采样操作。

29、将第二次下采样后的特征输入enblock编码层，输出第二级中层特征x2；继续采用1×1标准卷积搭配3×3深度卷积的组合结构，完成特征通道扩容翻倍、特征图尺寸减半的第三次下采样处理。

30、将处理后的特征输入enblock编码层，得到第三级中深层特征x3；再次经由1×1标准卷积与3×3深度卷积组合模块，完成特征通道翻倍、尺寸减半的第四次下采样操作。

31、将第四次下采样特征输入enblock编码层，输出第四级深层特征x4；最后再经过一次1×1标准卷积与3×3深度卷积组合下采样，进一步压缩特征尺寸、扩充特征通道。

32、将最终下采样得到的深层特征依次通过enblock编码单元与deblock去噪增强单元，完成深层特征的语义强化、噪声过滤与特征提纯，构成网络瓶颈层特征输出。

33、对瓶颈层特征执行上采样操作，并配合1×1标准卷积进行通道压缩，实现特征通道数减半、特征图尺寸翻倍，完成第一次解码维度复原。

34、将多尺度特征融合模块优化后的x4特征与原始编码输出的x4特征共同输入门控模块，经门控自适应权重校准后进行特征逐点相加，完成跨层跳跃连接，最后接入deblock层完成特征修复。

35、对当前细化后的特征再次进行上采样与1×1标准卷积运算，实现特征通道减半、尺寸翻倍；将多尺度融合优化后的x3特征与原始编码x3特征输入门控模块校准融合，通过跳跃连接完成特征叠加，最终经deblock层优化输出。

36、继续执行上采样与1×1标准卷积操作，实现通道减半、图像尺寸翻倍；将多尺度融合优化后的x2特征与原始编码x2特征通过门控模块自适应筛选校准后，利用跳跃连接完成特征融合，再经deblock层细化特征。

37、最后一次执行上采样与1×1标准卷积，恢复图像原始空间尺寸；将多尺度融合优化后的x1特征与原始浅层x1特征输入门控模块完成精准校准，通过跳跃连接补全浅层细节信息，最终经由deblock层完成全尺度特征优化重建。

38、将解码重构完成的最终特征图送入一层3×3标准卷积层，完成特征通道映射与图像细节终审修复，输出最终去噪后的高清荧光图像。

39、与现有技术相比，本发明的有益效果：

40、1、本发明通过对称编解码结构，分层提取荧光图像多尺度深浅特征，有效保留微小靶点与纹理细节，从而提升低信噪比荧光图像的特征提取与细节重建能力。

41、2、本发明通过渐进式多尺度特征融合结构，双向融合各级特征、弥补深浅特征割裂缺陷，充分聚合多尺度有效信息，从而显著提升复杂背景与密集靶点场景下的图像去噪效果。

42、3、本发明通过引入门控自适应模块，自适应甄别并强化有效荧光特征、抑制背景噪声与冗余伪特征，从而有效提升荧光图像去噪精度与成像保真度。