MSE-UNet:基于多尺度特征和注意力机制的细胞分割模型

细胞图像的自动分割是目前非常困难且具有挑战性的问题.在U-Net网络的基础上,增加了多尺度跳跃连接,引入了通道注意力模块,提出一种改进的网络模型MSE-UNet(multiscale skip connection-squeeze and excitation-UNet).多尺度跳跃连接将不同层次的信息巧妙地结合在一起且避免了冗余,能更加精确地分割出目标,有效地解决了细胞边界不明确的问题.通道注意力模块学习各个通道的重要性,从而使重要的特征通道占据更大的比重,在最终呈现的输出图像中展现出分割网络重点关注的部分,有效解决背景杂乱的问题.在两个公开数据集和一个自建数据集上进行测试,实验结果显示,与最近几年提出的细胞分割模型相比,该模型具有更好的性能.

利用深度学习扩展双光子成像视场

双光子成像技术已被广泛应用于活体肿瘤成像、神经功能成像以及大脑疾病研究等领域,但双光子成像视场较小(视场直径一般在1 mm以内),限制了其进一步应用。虽然通过特殊的光学设计或者自适应光学技术能够有效增大视场,但复杂的光路设计、高昂的器件成本以及繁琐的操作过程限制了这些技术的推广。提出了一种利用深度学习技术替代自适应光学技术扩展双光子成像视场的新思路,在低成本(无须特殊物镜,无须相位补偿装置)、易操作的前提下实现了大视场双光子成像。设计了一种适用于光学显微系统中扩展双光子成像视场的nBRAnet网络框架,为使该网络框架可以更好地利用特征图信息,在该框架中引入残差模块和空间注意力机制,同时去除了数据归一化处理,以增加图像对比度信息。实验结果表明:所提深度学习方法可以有效地代替自适应光学技术,增强扩展视场中的精细结构特征,并恢复扩展视场的成像分辨率和信噪比,使双光子成像视场直径扩展到3.46 mm,峰值信噪比超过27 dB。深度学习方法具有成本低、操作简单、图像增强效果显著等特点,有望为跨区域脑成像或全脑成像提供一种经济实用的方案。