[发明专利]基于理查德森-露西算法的显微镜去卷积神经网络模型构建方法

权利要求书

1.一种基于理查德森-露西算法的显微镜去卷积神经网络模型构建方法，包括如下步骤：

(1)对生物样本进行荧光蛋白标记染色，通过荧光显微镜采集生物样本荧光图像，得到由二维切片堆叠形成的三维荧光显微镜图像主视角数据I，换另一视角对同一生物样本进行图像采集得到辅助视角数据I'；

(2)对主视角数据I进行轴向插值处理，使轴向和横向每个像素代表的步长相同；对辅助视角数据I'进行旋转和插值，使其与主视角数据I具有相同的坐标系，并通过基于强度的配准方式进行配准；

(3)通过测量或者模拟得到荧光显微镜的主视角点扩展函数h和辅助视角点扩展函数h_B，进而根据点扩展函数h和h_B采用理查德森-露西算法对插值后的主视角数据I和辅助视角数据I'进行联合去卷积操作，得到分辨率改善后的生物样本估计结果GT；

(4)根据步骤(1)～(3)重复执行多次，得到大量主视角数据I及其对应的生物样本估计结果GT，每一对I和GT即组合作为一组样本，并将所有样本划分为训练集和测试集；

(5)构建基于理查德森-露西去卷积结构的神经网络，利用训练集样本中的I作为输入，GT作为真值对该神经网络进行训练，得到显微镜去卷积神经网络模型；

所述基于理查德森-露西去卷积结构的神经网络由下采样估计部分H1、原始尺寸估计部分H2和结果微调部分H3依次连接组成，输入的主视角数据I经过最大值池化后得到下采样输入数据Iap并进入H1，H1内部的操作流程为：首先将Iap依次经过两个卷积层C1和C2后得到前向投影特征图FP1，FP1经过通道维度的求和平均后作为分母，Iap作为分子，相除后得到结果D1；接着D1依次经过三个卷积层C3～C5后得到反向投影特征图BP1，卷积层C3与C5之间有残差连接，BP1再依次经过转置卷积层和卷积层C6后实现上采样，得到结果BP1u，BP1u经过通道维度的求和平均后得到更新因子，将该更新因子与I相乘后得到样本的粗略估计结果Ef；

H2内部的操作流程为：首先将Ef依次经过两个卷积层C7和C8后得到前向投影特征图FP2，FP2经过通道维度的求和平均后作为分母，I作为分子，相除后得到结果D2；接着D2依次经过两个卷积层C9和C10后得到反向投影特征图BP2，BP2经过通道维度的求和平均后得到更新因子，将该更新因子与Ef相乘后得到样本估计结果Ef2；

H3内部的操作流程为：首先将Ef2依次经过四个卷积层C11～C14后得到Ef的补充信息Ef2'，将Ef2与Ef2'并联后通过两个卷积层C15和C16进行微调，再经过一次通道维度的求和平均后便得到整个神经网络的输出结果；

(6)将测试集样本中的I输入至模型，输出得到对应的估计结果，根据模型输出结果与真值之间的差异以评估模型性能，从而对模型内部参数进行调节直至模型性能满足相应要求。

2.根据权利要求1所述的显微镜去卷积神经网络模型构建方法，其特征在于：所述主视角数据I、辅助视角数据I'以及生物样本估计结果GT均为三维体积图像，由二维切片堆叠而成。

3.根据权利要求1所述的显微镜去卷积神经网络模型构建方法，其特征在于：所述步骤(3)中联合去卷积操作的算法表达式如下：

e₀＝(I+I')/2

其中：e₀为生物样本的初始迭代估计结果，e_k和e_k+1分别为从辅助视角得到生物样本的第k次迭代估计结果和第k+1次迭代估计结果，em_k+1分别为从主视角得到生物样本的第k+1次迭代估计结果，T表示转置，k为自然数且0≤k≤N，N为预设的最大迭代次数且GT即等于e_N。

4.根据权利要求1所述的显微镜去卷积神经网络模型构建方法，其特征在于：所述步骤(5)在对神经网络进行训练之前，需对样本进行归一化处理，具体归一化公式如下：

其中：u为I或GT中的任一像素值，u'对应为u归一化后的像素值，通过对I或GT中所有像素值从小到大排列，p_low为序列中第1％～3％位的像素值，p_high为序列中第99.5％～100％位的像素值。