近日，医学光子学创新研究院周翔宇同学（大三本科生）在Nature Index期刊《Applied Physics Letters》发表了题为"Extending channel attention to kernel space for luorescence microscopy image denoising"的研究论文。该研究提出了一种融合核注意力与通道注意力机制的iKUNet-RCAN深度学习模型，将核空间注意力机制引入荧光显微镜去噪，在多种生物组织与成像方法上鲁棒性强，通用性好，且以仅0.4%计算量的增益换取了显著的去噪效果提升。周翔宇为论文第一作者，屈军乐教授团队严伟教授为论文的通讯作者，深圳大学为第一完成单位和通讯作者单位。
荧光显微镜技术是解析生物分子动态、亚细胞结构功能的核心工具，然而成像过程中不可避免的光子散粒噪声、背景干扰等问题，严重制约了图像质量与后续分析精度。尽管现有深度学习方法（如 UNet-RCAN、DnCNN）在图像去噪领域取得一定进展，但多数方法仅聚焦于通道或空间特征优化，忽视了核空间维度的特征挖掘，导致在低信噪比、复杂生物结构（如线粒体、F-actin 纤维）成像场景下，难以兼顾去噪效果与结构保真度，且部分模型存在计算成本过高、泛化能力不足等问题。针对这一技术痛点，该研究提出了 “利用被忽视的核空间设计注意力” 的创新思路，设计并构建了 iKUNet-RCAN 深度学习模型。该模型以 UNet 编码器 - 解码器架构为基础，创新性引入集成核 - 通道注意力模块（iKCAB），通过动态卷积机制实现核空间特征的高效自适应聚合——类比多透镜光学系统。同时，模型融合 RCAN（残差通道注意力网络）的优势，实现核空间与通道维度的协同优化。
宽场显微镜线粒体成像定性与强度曲线分析
该研究的技术优势有两点：一是通用性强，兼容共聚焦、宽场、双光子等多种荧光显微镜成像模态，支持 11 类生物样本成像，解决了传统模型 “单一场景适配” 的局限；二是实用性高，硬件改动成本低（基于现有显微镜系统，无需额外高端设备），计算开销可忽略，满足临床与科研场景的实时性需求。
该研究得到了国家自然科学基金、深圳市科技计划、射频异质异构集成全国重点实验室自主科研项目及深圳大学创新发展基金的资助。
诚邀对科研满怀热忱的本科生加入医学光子学创新研究院，发展先进的医学光子学技术，探索科学前沿。
文章信息：Xiangyu Zhou, Wenlong Chen, Zixiong Fan, Xinwei Gao, Wei Yan, Junle Qu; Extending channel attention to kernel space for fluorescence microscopy image denoising. Appl. Phys. Lett. 26 January 2026; 128 (4): 043704.
论文链接：https://doi.org/10.1063/5.0311220
科研动态