7月24日，美国波士顿大学程继新教授、田磊副教授和林浩楠研究助理教授在Cell Press细胞出版社旗下期刊Newton上发表题为“Self-supervised elimination of non-independent noise in hyperspectral imaging”的研究论文。面对非独立噪声会导致传统算法出现结果失真和伪影增强等问题，研究团队提出了一种创新性解决方案——SPEND(Self-PErmutaion Noise2Noise Denoiser)，一种无需高信噪比训练集，专为“非独立噪声”设计的自监督深度学习框架。丁广锐博士研究生是该文第一作者。

　　提出SPEND：基于自置换的无需真实数据的自监督深度学习的方法，有效去除空间相关和光谱特异的噪声。

　　大幅提高化学成像质量，助力解析低浓度代谢物分布，适用于受激拉曼散射、中红外光热及荧光标记等更多成像模式

　　在现代光学成像中，噪声一直是困扰研究人员的一个棘手问题。尤其是在高灵敏度的化学成像技术中，如受激拉曼散射（Stimulated Raman Scattering，SRS）和中红外光热成像（Mid-Infrared Photothermal，MIP），由于存在复杂的光热对流效应和特殊的数据采集机制，信号测量之间常常存在跨像素信息泄露，图像往往被“非独立噪声”所污染，从而严重影响了后续的数据分析与生物结论的可靠性。

　　传统的图像去噪方法大多基于一个理想假设：噪声是独立同分布的。然而，在真实的成像系统中，这一假设往往并不成立——噪声的分布在空间上存在相关性，随光谱变化并与真实信号交织耦合。这些非独立噪声会导致传统算法出现结果失真和伪影增强等问题。面对这一挑战，研究团队提出了一种创新性解决方案——SPEND(Self-PErmutaion Noise2Noise Denoiser)，一种无需高信噪比训练集，专为“非独立噪声”设计的自监督深度学习框架。

　　SPEND的核心理念是 “物理启发式自监督学习” 。研究团队基于以下物理规律：真实信号在多个维度（如空间、光谱或时间）上往往具有内在的相关性，而噪声至少在一个维度上呈现无序性。据此，研究团队设计了一种 “轴向自置换” 的策略：在噪声最不相关的维度上，对原始数据进行奇偶置换，从而产生两组具有相同噪声统计特性的图像堆栈。随后，通过对比训练，神经网络可以在不依赖真实参考图像的前提下，自动学习图像中真实成分，并且有效抑制非独立噪声。

　　实验结果表明，SPEND可以将成像信噪比提升8倍以上，同时保留图像的空间分辨率和光谱细节。更重要的是，SPEND在面对多种复杂的噪声时表现出良好的鲁棒性，能够适用于多种成像场景和任务。

　　例如，结合受激拉曼散射，在细胞指纹区，SPEND能够稳定提取脂质，蛋白质和胆固醇等弱拉曼信号，显著提升混解精度；在细胞静默区，SPEND实现了对低浓度的生物正交前体——对羟基苯甘氨酸（HPG）的成像，使得无染料和化学反应的蛋白质合成追踪成为可能；在中红外光热显微镜下，SPEND同样有效抑制了系统噪声，解析了真菌细胞细胞壁的多层结构。

　　此外，研究团队还验证了SPEND在其他成像模式下的通用性。例如在荧光寿命成像（FLIM），光片显微镜（LSFM）等多种具有高维度、非均匀的噪声背景的系统下，SPEND均表现出出色的降噪能力，成功抑制了结构噪声、条纹噪声等常见干扰。

　　值得一提的是，SPEND还有效保留了光谱信息，促进了进一步的光谱解混。这一特性进一步拓宽了SPEND在定量分析和生物标志物追踪方面的应用潜力。即使在缺乏参考谱图的情况下，SPEND去噪后的数据依然可以用于高精度的组分分离和定量分析。

　　SPEND将 “物理先验” 与 “深度学习” 有机结合，不再依赖人工标记，拓展了 “以物理驱动学习” 的新范式。作为系统性针对非独立噪声建模的AI框架，SPEND为生物成像的智能重建、定量分析和自动解释提供了强有力的基础。

　　Cell Press细胞出版社特别邀请论文作者程继新教授进行了专访，就文章相关内容进行阐述。

　　这项工作系统分析了非独立噪声在光学成像中的表现和物理成因，并提出了一种不需要真实标签的、完全自监督的深度学习方法——SPEND。我们用它成功去除了空间相关和光谱特异的噪声，使成像质量大幅提升。这个方法是通用的，适用于多种成像模式。

　　在去噪中，最大的问题是缺乏“干净的参考图像”用于监督学习。我们通过深入理解信号与噪声的物理差异，设计了基于置换的Noise2Noise策略，完全绕过了对“干净图像”的依赖。此外，我们也对噪声的空间和频谱特性做了深入分析，为模型提供了强有力的物理先验。

　　我们正计划将SPEND扩展到更多类型的成像系统，如飞秒瞬态吸收、布里渊散射等。同时，也希望在样本维度或动态场景（如活细胞成像）中进一步优化SPEND的泛化能力和效率。

　　我们希望这项工作能够为物理和人工智能交叉领域提供启发，而Newton正是一个非常前沿的平台，强调计算和实验的结合。感谢编辑团队的专业指导，也非常高兴SPEND能在Newton发表。

　　程继新，美国波士顿大学Moustakas光子学和光电子学讲席教授，电子与计算机工程系，生物医学工程系教授。

　　原标题：《程继新/田磊/林浩楠Newton：SPEND自监督学习框架，专治高维成像非独立噪声 Cell Press对话科学家》

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。