25、拉曼光谱在生物医学中的深度学习应用

拉曼光谱在生物医学中的深度学习应用

1. 表面增强拉曼散射（SERS）的优势与深度学习的前景

表面增强拉曼散射（SERS）在快速生物医学应用方面具有显著优势，而基于深度学习（DL）的方法能更轻松地完成相关任务，减少人工干预，并以稳健的结果为导向。DL在SERS应用中的前景十分可观，由于其相较于其他拉曼变体具有多重优势，有望成为日常生活临床应用中首个使用实时疾病诊断工具的拉曼变体。

2. 深度学习在受激拉曼光谱（SRS）中的应用

拉曼光谱的成像应用，尤其是受激拉曼光谱，因其能够对细胞和组织进行快速图像分析以实现实时应用，而得到广泛认可。然而，拉曼光谱成像数据集存在诸多问题，如背景、介质干扰和仪器噪声导致的像素值模糊。DL可帮助减少这些干扰，用于研究细胞拉曼成像。

以下是一些具体应用案例：
- 图像去噪 ：
- HeLa细胞图像 ：Manifold等人使用U - Net模型对不同缩放、成像功率、成像深度和成像几何条件下获得的SRS图像进行去噪，以提高图像的信噪比（SNR）。在去噪任务的首次应用中，考虑了低功率和高功率的HeLa细胞图像，无需复杂的预处理。通过对应的低SNR和高SNR图像对为模型提供信号和真实图像。与方差稳定变换（VST）泊松去噪方法对比，DL模型在恢复细胞特征（如脂滴、细胞核）方面表现更优。
- 小鼠脑组织图像 ：小鼠脑组织的SRS图像具有更高的异质性且无真实背景。使用透射模式下的低SNR和高SNR双色图像，U - Net模型能够恢复轴突的存在、细胞核对比度、空间分辨率和成像保真度。该模型还解决了组织样