文献阅读（一）

Rationalized deep learning super-resolution microscopy for sustained live imaging of rapid subcellular processes文献阅读

文章主要内容：

本文应用深度学习的方法对显微图像去噪，主要针对于结构光照明显微成像（SIM）和LLSM两种显微成像技术的9张原始图像，在低噪声的情况下恢复的超分辨SR图像受限，所以提出了一个名为rDL的深度学习网络模型，用于曝光时间短噪声大的显微图像的去噪。

rDL模型的图示如下：

网络分析：

数据需求：输入9张原始的噪声图像（Nosiy raw images），高信噪比的9张GT图像（Ground truth raw images），成像系统的PSF，以及高信噪比的SIM成像时所对应的结构光（SI）照明样式

rDL网络主要由三个残差网络结构的分支组成，分别称为PFE分支，MPE分支，FCD分支。

1. PFE分支：输入为9张噪声原始图像，通过PFE网络提取处原始图像的特征。
2. MPE分支：9张原始噪声图像，通过超分辨网络（DFCAN）生成SR图像，SR图像叠加SIM成像时所用的9个不同的结构光（SI）照明样式，分别叠加9次，再与系统的PSF进行卷积，得到9张信噪比有所提升的处理图像，将其作为MPE分支的输入，通过MPE网络提取照明样式的特征。
3. FCD分支：用于特征合并和去噪，将PFE分支与MPE分支分别提取出来的图像特征做一个合并，作为FCD分支的输入，网络传播进行最终去噪，输出9张rDL去噪后的图像结果，与高信噪比的9张GT图像比较，再将误差传播回去，进一步训练这三个分支中的神经网络的参数，直到训练完成。

rDL去噪完成后输出的9张图像，进行高质量SIM图像重建。