目的:为了提高质谱成像的分辨率,提出一种基于空间多层次自监督深度学习网络的质谱成像超分辨重建方法。方法:首先,基于非线性变换将组织学图像和质谱图像进行配准;其次,利用多分支视觉变换器(vision transformer,ViT)以自监督学习的方式提取高分辨率组织学图像的层次化特征;最后,将这些特征与配对的低分辨率质谱信息结合构建回归网络,从而实现高分辨率质谱信息的预测。为验证提出方法的性能,与传统基于插值处理的BI(bicubic interpolation)方法和基于卷积神经网络的deepFERE方法对人类肝癌样本金属质谱镁元素图像超分辨重建的结果进行对比,并将其应用于小鼠肾腺癌代谢物质谱成像数据集。结果:与BI方法和deepFERE方法相比,提出的方法在重建质谱图像时表现出最低的均方根误差(root mean square error,RMSE)(RMSE=0.015)、最高的结构相似性指数(structural similarity index measure,SSIM)(SSIM=0.84)和最高的线性回归相关系数(R^(2)=0.853)。通过对小鼠肾腺癌代谢物质谱成像数据集超分辨重建验证了提出的方法的有效性以及精准区分组织特异性的潜力。结论:相较于传统的单模态和逐像素点回归的深度学习方法,提出的方法提高了质谱图像高分辨重建的质量,可作为质谱成像领域超分辨重建的新方法。
暂无评论