独立噪声不利于实验结果。由于神经元信号相比观察脑活动仪器的散粒噪声和热噪声较弱，因此独立噪声会影响系统神经科学的实验结果。如，涉及到光子计数的荧光指示剂在体成像(电压和钙)，其散粒噪声在像素级测量中占主导地位。同样地，电子电路中存在的热噪声和散粒噪声会影响fMRI中体内电生理记录和血氧水平依赖性(BOLD)反应中动作电位的检测，从而影响真实生物信号的测量。
博览：2021 NatureMethods 使用DeepInterpolation移除系统神经科学数据中的独立噪声
技术背景：
独立噪声不利于实验结果。由于神经元信号相比观察脑活动仪器的散粒噪声和热噪声较弱，因此独立噪声会影响系统神经科学的实验结果。如，涉及到光子计数的荧光指示剂在体成像(电压和钙)，其散粒噪声在像素级测量中占主导地位。同样地，电子电路中存在的热噪声和散粒噪声会影响fMRI中体内电生理记录和血氧水平依赖性(BOLD)反应中动作电位的检测，从而影响真实生物信号的测量。
手动设计滤波器去噪使用场景有限。当时空上接近的数据点有相同的潜在信号，但是被噪声独立影响时，中值或高斯滤波(在时域或傅里叶域)可以用于增强单次试验动态，代价是空间和/或时间分辨率。尽管滤波的方法被广泛使用，当数据之间的关系横跨多个维度(如时间和空间)或者本质上是非线性的时候，手动设计最优的去噪滤波器将会非常困难。
基于学习的方法需要ground truth或者不适合神经元数据。通过使用大型训练数据集学习出数据点之间复杂层次关系的模型来去除噪声是一种潜在更有效的方法。这种方式通过探索样品间的统计关系来重建出一个无噪声版本的信号，而不是依靠滤波的方式去噪。当前大部分基于学习的方法都需要可行的ground truth数据，而新提出的Noise2Noise虽然可以无需ground truth恢复"干净"的信号，但是神经元数据不是由具有相同信号但是不同噪声的成对样本组成的。
当前不足：
当前基于滤波和基于学习的方法都不能够很好的适用于系统神经科学实验中独立噪声的消除。
文章创新点：
基于此，美国艾伦研究所的Jérôme Lecoq(一作兼通讯)等人提出一种名为DeepInterpolation的通用去噪算法，可以只使用原始噪声样品数据，训练出一个时空非线性插值模型，无需groundtruth,不牺牲时间和空间分辨率。文中将DeepInterpolation应用于双光子钙成像数据，其产生的神经元片段比从原始数据计算的多6倍，单像素信噪比提高15倍，揭示了之前被噪声掩盖的单次实验网络(single-trial network)。使用DeepInterpolation处理的细胞外电生理记录产生的高质量尖峰单位比从原始数据计算的高25%。将DeepInterpolation应用于fMRI数据集，单个体素的SNR增加了1.6倍。
原理解析：
求解一个插值问题来学习数据当中的时空关系。所训练的模型通过优化样品本身的每一个噪声上计算的重建损失(loss)来学习每个数据点与其邻近点之间的潜在关系。网络架构基于UNet框架，其设计原则为：(1)单个像素可与其周围局部区域内(或时间上)的像素共享信息；(2)输入数据为Npre张时间上在前的帧和Npost张时间上随后的帧，中间的帧忽略(可以防止过拟合)，训练网络来预测忽略的中间帧。
参考文献：Lecoq, J., Oliver, M., Siegle, J.H. et al. Removing independent noise in systems neuroscience data using DeepInterpolation. Nat Methods (2021).
DOI：https://doi.org/10.1038/s41592-021-01285-2
关于昊量光电：
上海昊量光电设备有限公司是国内知名光电产品专业代理商，代理品牌均处于相关领域的发展前沿；产品包括各类激光器、光电调制器、光学测量设备、精密光学元件等，涉及应用领域涵盖了材料加工、光通讯、生物医疗、科学研究、国防及更细分的前沿市场如量子光学、生物显微、物联传感、精密加工、先进激光制造等；可为客户提供完整的设备安装，培训，硬件开发，软件开发，系统集成等优质服务。
您可以通过昊量光电的官方网站www.auniontech.com了解更多的产品信息，或直接来电咨询4006-888-532。
本文章经光学前沿授权转载,商业转载请联系获得授权。
展示全部 
