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，电压成像具有更高的通量和更低的侵入性。然而，由于染料量子产率、短曝光时间（<2ms）以及激发强度的限制，电压成像的信噪比仍然较低，这导致小幅度电事件（如阈下突触后电位）可能被背景噪声淹没，从而影响对神经元电路形成和突触可塑性的理解。

论文来源

本文由Brice Wang、Tianle Ma、Theresa Chen、Trinh Nguyen、Ethan Crouse、Stephen J. Fleming、Alison S. Walker、Vera Valakh、Ralda Nehme、Evan W. Miller、Samouil L. Farhi和Mehrtash Babadi共同撰写。作者来自Broad Institute of MIT and Harvard、Oakland University、UC Berkeley等机构。论文于2024年发表在npj Imaging期刊上。

研究流程

1. 数据预处理与全局特征提取

CellMincer的去噪流程包括三个阶段：数据预处理、自监督预训练和去噪推理。在预处理阶段，研究人员将电压成像数据表示为三维张量（时间×宽度×高度），并对每个像素的时间序列进行低阶多项式拟合，将其分解为平滑趋势和去趋势残差张量。平滑趋势张量主要代表背景荧光，而去趋势残差张量则代表电活动的噪声测量。通过这一步骤，研究人员能够去除与信号无关的背景噪声，从而提高模型的性能。

2. 自监督预训练

在自监督预训练阶段，CellMincer通过掩码和预测稀疏像素集来进行训练。具体来说，研究人员随机选择帧中的像素并用高斯噪声替换，然后训练神经网络从其余像素中预测这些被掩码的像素值。这种训练策略允许模型在不使用干净目标数据的情况下进行去噪，从而避免了传统监督学习方法对干净数据的依赖。

3. 去噪推理

在推理阶段，CellMincer将去趋势的电影数据输入神经网络，并通过滑动窗口的方式对每个窗口的中间帧进行去噪。为了避免截断结果，研究人员在训练和推理时对输入数据进行适当的空间填充，并在去噪电影的开头和结尾添加τ个帧的副本。

4. 基于物理的模拟框架

为了优化CellMincer的架构和超参数，研究人员开发了一个名为OptoSynth的基于物理的模拟框架，用于生成高度逼真的合成电压成像数据集。OptoSynth通过模拟神经元形态重建和膜片钳电生理学测量，生成无噪声的电压成像数据，并添加泊松噪声和高斯传感器热噪声，从而生成逼真的噪声数据。这些合成数据用于进行严格的超参数优化和消融研究，揭示了预计算时空自相关在去噪中的关键作用。

主要结果

1. 去噪性能

CellMincer在模拟和真实数据集上的综合基准测试表明，其在信噪比增益、高频噪声减少、阈下事件检测和电生理信号恢复方面均表现出色。与现有方法相比，CellMincer在信噪比增益方面提高了0.5-2.9 dB，并将信噪比变异性降低了17-55%。特别是在高频噪声（>100Hz）方面，CellMincer实现了14 dB的噪声减少，比次优方法进一步减少了3-10.5 dB。

2. 阈下事件检测

在真实电压成像数据中，CellMincer显著提高了阈下事件的检测精度。与基准方法相比，CellMincer在0.5-10 mV范围内的阈下事件检测F1分数提高了2-6个百分点。此外，CellMincer在低噪声电生理记录和电压成像之间的交叉相关性方面提高了8%。

3. 神经元分割与功能表型识别

CellMincer的引入显著改善了神经元分割、峰值检测和功能表型识别。在慢性四氢大麻酚（TTX）处理和未处理的hPSC衍生神经元的电压成像中，CellMincer去噪后能够识别出比原始数据多近2倍的神经元，并显著增强了两种功能表型之间的统计分离。

结论

CellMincer是一种专门为电压成像数据集设计的自监督深度学习方法，通过掩码和预测稀疏像素集、结合预计算的时空自相关，显著提高了去噪效果。其在模拟和真实数据集上的表现均优于现有方法，特别是在信噪比增益、高频噪声减少和阈下事件检测方面表现出色。CellMincer的引入不仅提高了电压成像数据的质量，还为神经元电路研究和突触可塑性分析提供了新的工具。

研究亮点

1. 创新性方法：CellMincer通过自监督学习和预计算的时空自相关，显著提高了电压成像数据的去噪效果。
2. 广泛应用：CellMincer在模拟和真实数据集上的表现均优于现有方法，特别是在高频噪声减少和阈下事件检测方面表现出色。
3. 实用价值：CellMincer的引入显著改善了神经元分割、峰值检测和功能表型识别，为神经元电路研究和突触可塑性分析提供了新的工具。

其他有价值的信息

CellMincer的代码发布设计注重易用性和部署便捷性，提供了多种诊断反馈机制，并提供了稳定的Docker镜像供公众使用。此外，研究人员还提供了预训练的CellMincer模型，进一步降低了使用该方法的计算成本。