华人策略hrceluebbs王磊教授与化学化工学院任斌教授、南方科技大学钟锦辉教授联合报道了一种噪声学习(Noise Learning, NL)方法,该方法绕过了传统监督深度学习(Conventional Supervised Learning, CLS)所需的庞大数据集的繁琐标记,将深度学习从依赖样本转变为依赖仪器,提高了光谱成像的定位精度和空间分辨率,在高时空分辨光谱成像领域具有广泛的应用前景。
![](/__local/A/3B/A4/A8D722AF5B94D7DEA13CFDD3BE3_FED7200E_4C1D5.png)
文章 | He H., Cao M.F., Gao Y., Zheng P., Yan S., Zhong J.H., Wang L.; Jin D.Y., Ren B. Noise learning of instruments for high-contrast, high-resolution and fast hyperspectral microscopy and nanoscopy. Nat Commun. 15, 754 (2024). https://doi.org/10.1038/s41467-024-44864-5.
第一作者:何浩; 通讯作者:王磊教授、任斌教授、钟锦辉教授。
研究背景
拉曼光谱是一种分子“指纹”技术,具有无标记、无损伤、分子特异性等优点,是重要的生物研究手段。但受到固有低拉曼散射效率的影响,光谱信噪比较低。常常需要增加积分时间或者功率来获得高质量的信号,这显而易见会降低生物样本活性。因此,对信号去噪是一种获得高质量的信号的常用手段。目前主流的去噪方法一种是基于信号处理的方法,但依赖于专家经验,导致应用场景具有较多的限制;另一种是基于深度学习的方法,从大量标记的数据中学习到目标数据的特征,从而实现精准预测。但需要庞大的标注数据,且不同物质的拉曼光谱形态各异,其信号强度、信噪比水平也因不同实验条件各异,客观上增加了使用深度学习技术的难度,导致其通用性差。这两种主流方法都忽略了在测试过程中,仪器本身带来的影响,尤其是低信噪比条件下,仪器噪声是主要的噪声来源。因此,如何直接从根本上有效识别仪器噪声并去扣除,还是一项未曾探索过的挑战。
研究亮点
研究人员提出了一种可实现高对比度、高分辨率和快速的仪器噪声学习方法,该方法可以从不同的拉曼仪器中学习特征噪声分布,从而使深度学习模型仅使用估计的仪器噪声和生成的真实数据进行训练,而无需进行繁琐的手动标注。这使得单个Attention U-net(AUnet)模型可以适用于不同实验条件下获取的各种拉曼光谱。打破了传统监督机器学习技术对样本的依赖瓶颈。
![](/__local/5/FB/7A/C4997E2A45C9E502A0D7D50570D_6627E893_16540.png)
图1 基于噪声学习方法的原理
研究人员展示了NL在光谱学场景中的应用。如图2 a-b,对比了NL与其他方法对低信噪比的石墨烯的成像和光谱,NL方法对“未见”样本表现最好。随后,还展示了在线扫描显微镜对活细胞的荧光成像的应用结果(图2 c-e),将荧光成像的激光功率降低了43倍,有助于对易损生物样品进行长期监测,减少光诱导损伤。
![](/__local/6/0E/6C/50AFDD11EC750453B0EB252AD67_EBBDEEE6_12F8DA.png)
图2 NL方法的应用:(a-b)在石墨烯样品上的结果;(c-e)在Hela细胞荧光成像中的对比。
文章中展示了NL在各种光谱学场景中增强了信噪比,包括TERS的纳米成像和共聚焦拉曼、荧光和光致发光的显微成像。该方法将深度学习的性能从依赖样本转变为依赖仪器。在不需要对现有仪器的软硬件进行修改的情况下,改善所有光学显微/光谱学模式的性能。该成果以“Noise learning of instruments for high-contrast, high-resolution and fast hyperspectral microscopy and nanoscopy”为题发表在Nature Communications,2024年15期,文章编号754。
萨本栋微纳研究院
高云