一种基于自适应深度学习的单分子图像增强方法

本发明公开了一种基于自适应深度学习的单分子荧光图像去噪与定量方法(ADeL‑SM)，旨在解决单分子成像过程中图像信噪比低、传统去噪方法损伤定量信息等问题。该方法在无需外部训练数据的前提下，利用图像序列时间平均构建伪训练对，并基于改进U‑Net结构的神经网络，引入荧光强度保持机制和自反馈优化策略，训练深度神经网络模型，实现图像去噪增强。本方法可显著提升单分子图像的信噪比与定位精度，保留荧光强度的定量信息，适用于多种单分子成像平台和生物学研究场景，可广泛应用于膜蛋白定位、聚集识别与轨迹分析等生物定量成像任务中。