自监督正交学习优化光学体成像技术全域提升多模态生物成像信噪比
光学体成像受光子预算限制、光散射效应与空间带宽积瓶颈制约，固有噪声问题比平面成像更为突出，会显著降低结构保真度，干扰下游定量分析。现有深度学习去噪方案中，监督式方法依赖难以获取的配对清洁 - 噪声数据集，现有自监督方案则未能充分挖掘光学成像固有的三维体结构冗余。该研究提出自监督体生物医学成像去噪方法VALID，依托自监督正交学习框架利用三维内在空间相干性实现高效体去噪，在多种成像模态中展现出稳健性能，可显著提升深层组织、多模态及动态成像场景下的结构保真度。
该研究由Yuanjie Gu、Yiqun Wang、Ang Xuan、Jianping Wang、Linyi Wang、Lei Zhang、Xiaoran Li、Yao Wu、Jun Zhang共同完成，Zhi Lu与Biqin Dong为通讯作者，论文题为Enhancing biomedical optical volumetric imaging via self-supervised orthogonal learning，于2026年4月发表于Science Advances。
重要发现
01自监督正交学习的体去噪原理
现有自监督去噪方法多局限于二维空间或时间维度的冗余信息利用，无法充分释放体数据的三维结构价值。VALID首次构建体感知域去噪范式，核心采用Tetris采样策略：将原始体数据划分为互不重叠的2×2×2体素块，在每个块内的X-Y、X-Z、Y-Z三个正交平面各选取一个像素，且保证中心体素互不重叠，由此生成配对的子体数据作为网络的输入与训练目标。这种正交采样设计强制网络整合跨平面的结构上下文信息，将传统的二维空间冗余转化为真正的三维体冗余，消除轴向偏差，在极端噪声条件下实现更优的伪影抑制效果。
训练阶段，原始体数据经Tetris采样生成两组配对子体，输入权重共享的网络完成前向传播，通过去噪损失、恒等损失与正则化损失构成的多目标损失函数优化参数。针对光学相干断层成像中的散斑噪声等结构相关性噪声，研究额外设计三维低频海森矩阵约束损失作为正则项，通过低频分量的正交性验证强化结构真实性，避免网络生成虚假信号。该框架支持零样本适配，仅需单个体数据即可完成训练并实现去噪，无需额外的配对数据集。
02跨尺度递归网络的架构创新针对传统U-Net类编码解码架构与去噪任务的适配性偏差，研究提出跨尺度递归网络作为骨干架构。研究指出，U-Net在去噪任务中的效果核心源于下采样操作带来的低通滤波特性，而非其多级编码解码与跳跃连接结构。基于这一认知，跨尺度递归网络摒弃了编码解码范式，直接在隐空间执行低通滤波：通过四个不同尺度的平均池化分支提取多尺度特征，结合带自适应注意力的增强卷积模块处理特征，再经跨尺度递归策略与三线性插值上采样融合多尺度特征，最终输出去噪结果。
该架构在参数量显著降低的前提下，同时实现了更优的去噪性能与结构细节保留能力。消融实验证实，即使采用更轻量的跨尺度递归网络，结合体采样框架的效果也可达到甚至优于传统三维U-Net，说明采样策略而非网络架构是性能提升的核心驱动因素，该采样框架具备模型无关的通用性，可适配不同的骨干网络。
03多模态成像的系统验证
研究在四种主流生物医学光学体成像模态中完成了系统实验验证，覆盖了不同的噪声类型与成像场景，全面验证了方法的通用性与有效性。
在双光子显微成像中，针对小鼠皮层0至600微米深度的在体神经元成像数据，VALID在全深度范围内均取得最优的峰值信噪比与结构相似性，深层区域的提升幅度尤为显著，可有效应对随深度变化的非均匀泊松-高斯混合噪声，精准保留微米级结构细节。
VALID算法框架及其在双光子三维结构成像中的应用总览
在三光子多模态成像中，针对小鼠海马区800至1100微米深度的血管、神经元及无标记三次谐波成像数据，VALID将三种模态的平均信噪比分别提升约10.2倍、11.9倍与7.9倍，可清晰分辨胼胝体中间距约2.4微米的神经纤维；经该方法去噪后，深层神经元的分割精度大幅提升，可识别神经元数量从原始数据的1个提升至104个。
VALID算法增强型三光子多模态结构成像及定量评测
在共焦扫描光场成像中，针对光敏细胞的长时间动态成像数据，VALID将全视角的对比度噪声比提升约455%，有效改善低光子条件下的信号稀疏问题，提升细胞运动轨迹的连续性与三维重建的细节保留能力，支持低光毒性的长时程亚细胞分辨成像。
VALID算法增强型共焦扫描光场成像（csLFM）的流程验证与性能对比
在光学相干断层成像中，针对小鼠皮肤成像的乘性散斑噪声问题，VALID在三个正交平面均实现了对比度与边缘保留能力的同步提升，其中横断面的对比度噪声比提升达343.7%，在有效抑制散斑颗粒伪影的同时完整保留组织层状纹理，突破了散斑抑制与分辨率损失的传统技术权衡。
VALID算法用于皮肤光学相干断层（OCT）成像：去噪效果与定量验证
创新与亮点
该研究突破了现有自监督去噪方法无法充分利用三维体结构冗余的技术瓶颈，解决了生物医学体成像中配对数据集获取成本高、深层组织信噪比不足、散斑噪声难以兼顾抑制与分辨率保留等行业难题。
研究提出的Tetris正交采样策略首次实现真正的体感知域去噪，通过物理约束的采样方式保证三维结构解耦，具备模型无关的通用性；配套设计的跨尺度递归网络贴合去噪任务的低维特性，在低参数量下实现高性能。
该技术可直接适配多种主流光学体成像模态，适用于深层神经成像、在体动态观测、皮肤组织成像等场景，无需硬件改造即可提升成像质量，支持零样本快速部署，为生命科学研究与临床诊断中的体成像定量分析提供了可靠的增强方案。
总结与展望
VALID通过自监督正交学习框架充分挖掘体数据的三维结构冗余，实现了多模态光学体成像的高质量去噪，在结构保真度、噪声抑制与计算效率间取得了良好平衡，为智能体成像增强提供了新的技术范式。未来可通过算子融合与模型剪枝优化内存占用与处理效率，结合时序注意力机制适配高动态过程成像，进一步拓展该技术的应用场景与适用范围。
声明：本文仅用作学术目的。
Gu Y, Wang Y, Xuan A, Wang J, Wang L, Zhang L, Li X, Wu Y, Zhang J, Lu Z, Dong B. Enhancing biomedical optical volumetric imaging via self-supervised orthogonal learning. Sci Adv. 2026 Apr 17;12(16):eady9194.
DOI:10.1126/sciadv.ady9194.
