学术背景 电压成像（voltage imaging）是一种用于研究神经元活动的强大技术，但其有效性通常受到低信噪比（SNR）的限制。传统的去噪方法，如矩阵分解，对噪声和信号结构施加了严格的假设，而现有的深度学习方法未能完全捕捉电压成像数据中固有的快速动态和复杂依赖关系。为了解决这些问题，本文提出了一种名为CellMincer的新型自监督深度学习方法，专门用于去噪电压成像数据集。CellMincer通过掩码和预测短时间窗口内的稀疏像素集，并结合预计算的时空自相关来有效建模长程依赖关系，从而显著提高了去噪效果。 电压成像利用荧光报告分子（如小分子染料或基因编码的蛋白质）来测量电活性细胞的膜电位。与传统的膜片钳电生理学（patch-clamp electrophysiology, EP）相比，电压...