在生物医学光学成像领域，一直存在着一个难以调和的矛盾：为了看清活体深层组织的精细结构，往往需要增加光照强度；但过高的光照不仅会产生光毒性，损伤活体样本，还会引入大量的“噪声”，导致图像模糊不清。如何在极低信噪比的条件下，还原出真实的三维生物结构，是当前三维生物成像的一大挑战。

近日，复旦大学生物医学工程与技术创新学院青年研究员董必勤与清华大学心理与认知科学系助理教授卢志团队合作，在生物医学光学三维成像领域取得了重要突破。该团队开发了一种名为VALID（Self-supervised Volumetric Biomedical Imaging Denoiser）的自监督三维生物成像降噪技术。该技术无需依赖成对的干净-噪声数据训练，仅利用单体数据的三维空间冗余性，即可实现对深层组织、多模态及动态成像数据的高效“降噪”与结构增强。

北京时间2026年4月15日，相关成果以“Enhancing biomedical optical volumetric imaging via self-supervised orthogonal learning”为题发表在Science Advances上。

自监督“盲点”突破，无需“标准答案”的深度学习

传统的深度学习降噪方法通常需要大量“干净图像”作为“标准答案”进行监督训练。然而，在生物医学成像中，获取完全相同的活体样本在有噪和无噪状态下的成对图像是不切实际的。针对这一痛点，研究团队提出了一种自监督正交学习（Self-supervised Orthogonal Learning）策略。该策略利用三维空间中的“俄罗斯方块式”（Tetris）采样法，巧妙地将同一个含噪数据体切分为互为参照的输入-目标对。通过这种独特的采样方式，VALID能够利用三维空间固有的结构冗余性，从噪声中精准提取出真实的生物信号，且完全避免了对先验配对数据的依赖。

图1：VALID构建正交三维结构约束自监督学习，并在双光子稀疏神经结构成像增强上取得领先性能

架构革新，兼顾效率与结构保真

与以往基于U-Net等编码器-解码器架构的方法不同，VALID设计了一种跨尺度递归网络（CRN）。研究团队指出，传统的自动编码器结构主要针对高层语义特征设计，而降噪本质上是一个低维度的视觉任务。CRN通过直接在潜空间进行低通滤波，而非复杂的语义编码，在大幅减少参数量的同时，有效防止了图像细节的“幻觉”生成，确保了降噪后的图像既干净又不失真。

图2：VALID所使用的轻量级跨尺度递归网络CRN

多模态验证：从神经元结构、活细胞动态到皮肤组织的全面增强

研究团队在多种极具挑战性的成像场景中验证了VALID的卓越性能：

1、深层神经成像： 在双光子和三光子显微镜下，VALID成功将小鼠大脑深层（800-1100微米）的神经元和血管结构从淹没信号的噪声中“拯救”出来。实验显示，降噪后识别出的神经元数量从原始数据的1个激增至104个，信噪比提升了约10倍。

2、光场显微成像： 针对高灵敏度但噪声极大的光场显微镜（LFM），VALID在不增加光毒性的情况下，显著提升了细胞追踪的连续性和亚细胞结构的可见度，实现了长达14分钟的低光毒性高质量三维动态成像。

3、光学相干层析： 针对皮肤成像中顽固的“散斑噪声”，VALID引入了三维低频Hessian矩阵约束，有效去除了颗粒状噪声，同时完美保留了皮肤层状组织的细微纹理，最终实现了高保真的皮肤三维结构重建。

图3：VALID在部分多模态成像场景上的定性和定量验证结果

应用前景广阔，推动智能成像发展

VALID技术不仅在算法层面实现了创新，更具有极强的实用价值。它作为一种模型无关的通用框架，能够直接应用于现有的光学成像设备，无需硬件改造。这为神经科学、发育生物学以及临床诊断提供了强有力的工具，使得科学家能够在不干扰生命过程的前提下，以前所未有的清晰度观察活体内部的动态变化。目前，团队已开发了配套的开源多线程图形用户界面（GUI），并开源所有技术细节（下载链接：https://zenodo.org/doi/10.5281/zenodo.16935098），旨在降低技术门槛，推动该方法在更广泛的生物医学研究社区中的应用。

图4：团队开发VALID配套的开源多线程图形用户界面程序

复旦大学生物医学工程与技术创新学院博士生谷元杰、博士生王轶群是本文的共同第一作者，复旦大学生物医学工程与技术创新学院青年研究员董必勤、清华大学心理与认知科学系助理教授卢志为本文共同通讯作者。该工作得到了国家重点研发计划、国家自然科学基金、上海市基础研究计划、上海市自然科学基金、上海市科技创新行动计划、北京市自然科学基金以及复旦大学医工交叉项目的大力支持。（来源：科学网）

相关论文信息：https://doi.org/10.1126/sciadv.ady9194