超分辨率（SR）顯微鏡已成為揭示活細(xì)胞復(fù)雜結(jié)構(gòu)的關(guān)鍵技術(shù)[1]。三種主要的SR顯微鏡類型是刺激發(fā)射耗盡顯微鏡（STED）[2,3]、結(jié)構(gòu)化照明顯微鏡（SIM）[4,5]和單分子定位顯微鏡（SMLM）[6],[7],[8]。SIM在時空分辨率方面優(yōu)于其他SR方法[9]。此外，它需要較低的激發(fā)光強度，曝光時間短，光毒性小，特別適合實時動態(tài)觀察活細(xì)胞[10],[11],[12]。近年來，研究人員利用各種SIM技術(shù)取得了許多重要發(fā)現(xiàn)。通過使用GI-SIM SR成像[13]，研究人員發(fā)現(xiàn)線粒體模擬可以通過內(nèi)質(zhì)網(wǎng)-線粒體相互作用部位開始的動態(tài)管狀化過程進行傳輸，這對研究線粒體模擬在相關(guān)疾病和衰老中的作用具有重要意義[14]。Hessian-SIM具有快速成像內(nèi)質(zhì)網(wǎng)內(nèi)移動囊泡或環(huán)狀結(jié)構(gòu)的獨特能力，而不會產(chǎn)生運動偽影。它實現(xiàn)了88 nm的時空分辨率，并且以188 Hz的幀率高效運行[9]。Sparse-SIM是另一種值得注意的技術(shù)，其分辨率高達60 nm，幀率高達564 Hz，能夠成功應(yīng)對與復(fù)雜結(jié)構(gòu)相關(guān)的成像挑戰(zhàn)，包括小囊泡的融合孔、由核孔蛋白形成的環(huán)形核孔以及線粒體膜在活細(xì)胞內(nèi)外的相對運動[15]。
盡管SIM具有這些優(yōu)勢，但在計算圖像重建過程中容易產(chǎn)生偽影。高質(zhì)量的、無偽影的超分辨率重建在很大程度上依賴于重建后算法的準(zhǔn)確性，尤其是在參數(shù)估計方面，如波矢、初始相位和調(diào)制深度[16],[17],[18]。由于實驗限制，將實驗結(jié)果的參數(shù)與理論值精確匹配具有挑戰(zhàn)性。因此，為了確保重建的準(zhǔn)確性，有必要從獲得的實驗數(shù)據(jù)中恢復(fù)這些參數(shù)[19,20]。為了解決這個問題，提出了多種方法，包括非迭代自相關(guān)重建（ACR）[20]、圖像重組變換（IRT）[21,22]、主成分分析（PCA）[23]、峰值相位方法（POP）[24]和基于迭代的相關(guān)性方法（COR）[25,26]。這些方法利用了不同頻率點上光譜成分的先驗知識來估計照明參數(shù)。然而，這些方法通常容易受到噪聲的影響，其穩(wěn)健性會受到信噪比（SNR）的影響。在低SNR條件下，原始SIM圖像中包含的大量噪聲可能導(dǎo)致參數(shù)估計錯誤，從而在圖像重建過程中產(chǎn)生偽影。
近年來，深度學(xué)習(xí)方法在各種成像任務(wù)中顯示出巨大潛力，包括在低SNR條件下提高SIM重建的分辨率和質(zhì)量[27],[28],[29],[30]。深度學(xué)習(xí)的應(yīng)用，例如卷積神經(jīng)網(wǎng)絡(luò)（CNN），在圖像去噪領(lǐng)域取得了更好的效果，如內(nèi)容感知圖像恢復(fù)（CARE）[31]、改進顯微鏡盲點去噪（DecoNoising）[32]和Noise2Void（N2V）[33]，與基于數(shù)學(xué)模型的去噪方法相比[34],[35],[36],[37],[38]�；谧员O(jiān)督學(xué)習(xí)的深度學(xué)習(xí)去噪和去模糊技術(shù)（DeepBID）成功解決了高速體內(nèi)成像過程中光學(xué)顯微鏡成像的低SNR和運動偽影問題[39]。ML-SIM使用在合成數(shù)據(jù)上訓(xùn)練的深度殘差網(wǎng)絡(luò)進行遷移學(xué)習(xí)，實現(xiàn)了快速、無需參數(shù)的重建，并且可以跨不同的成像平臺和樣本類型進行泛化[40]。另一種方法是合理化深度學(xué)習(xí)（rDL），它將基于物理的原理整合到去噪過程中，以專門減輕光譜偏差并提高結(jié)構(gòu)保真度[41]。然而，深度學(xué)習(xí)方法也存在問題。隨著噪聲強度的增加，深度學(xué)習(xí)去噪會導(dǎo)致圖像質(zhì)量下降，在高頻區(qū)域出現(xiàn)明顯的模糊和平滑[42,43]。深度學(xué)習(xí)方法可能會將噪聲誤認(rèn)為是信號，從而引入錯誤信息并產(chǎn)生“幻覺”。因此，應(yīng)用于超分辨率圖像去噪的深度學(xué)習(xí)算法的保真度仍然值得懷疑。
在這項工作中，我們提出了N2VCAB-SIM，這是一種基于Noise2Void通道注意力塊去噪預(yù)處理的SIM參數(shù)估計框架，它利用自監(jiān)督學(xué)習(xí)來抑制低SNR原始SIM圖像中的噪聲，而無需真實值（GT）數(shù)據(jù)。N2VCAB-SIM通過其通道注意力機制增強了結(jié)構(gòu)化照明模式特征的保留，從而使SIM參數(shù)估計更加穩(wěn)健，并避免了SR重建圖像中錯誤信號的生成。模擬和實驗表明，N2VCAB-SIM在結(jié)構(gòu)相似性指數(shù)（SSIM）和峰值信噪比（PSNR）方面優(yōu)于其他最先進的去噪方法。通過將N2VCAB集成到現(xiàn)有的SIM參數(shù)估計程序中，N2VCAB-SIM在具有挑戰(zhàn)性的成像條件下表現(xiàn)出改進的參數(shù)估計穩(wěn)健性，并實現(xiàn)了波矢誤差平均降低29%和初始相位誤差平均降低49%。我們評估了N2VCAB-SIM在低信噪比條件下觀察線粒體動態(tài)的能力。此外，我們將N2VCAB-SIM應(yīng)用于基于活細(xì)胞結(jié)構(gòu)化照明的超分辨率熒光共振能量轉(zhuǎn)移成像（SISR-FRETM）。這種功能成像場景要求超分辨率重建圖像具有高灰度保真度，特別是在低SNR條件下。N2VCAB-SIM顯著減少了由于參數(shù)估計誤差導(dǎo)致的SIM重建偽影對定量FRET分析的影響。
