由于神经元钙活动的高速、非重复特性，传统监督学习所必需的训练真值无法获取，该自监督学习策略打破了对训练真值的依赖，在钙成像去噪方面取得突破。在此基础上，DeepCAD使用三维网络结构充分利用神经活动的时空相关性，将钙成像信噪比提升十倍以上，克服了光子噪声极限。该方法被用于观测小鼠大脑皮层神经纤维网和神经元群落的钙动态，实现了低激发功率下的高信噪比钙成像，并可广泛适用于各类钙成像系统。

图1. DeepCAD原理与应用示意图

为了验证该方法的准确性和可靠性，作者搭建了一套特殊的双光子显微镜，样本所发出的荧光光子在探测端被分光设备分为1:10的两部分，两路信号同步采集。低信噪比的图像作为原始数据输入网络，高信噪比的图像用于验证输出的结果。DeepCAD首先应用于小鼠大脑皮层Layer 1神经纤维网的钙成像去噪，结果表明，去噪后的数据信噪比提升超过十倍，原本淹没在噪声中的钙活动可以被真实地恢复出来。

图2. DeepCAD恢复淹没在噪声中的神经纤维网钙动态，信噪比提升十倍以上

图3. DeepCAD用于神经群落钙成像的去噪，准确解析神经元活动

最后，作者将预训练的DeepCAD模型用于装配有不同物镜和探测器的多个双光子显微镜上，结果表明，DeepCAD具有良好的泛化性和可扩展性，在不同的双光子成像系统上均表现出优越的性能。

为了简化DeepCAD的使用流程，作者将该方法封装为Fiji插件。目前相关代码、插件和完整数据集已随论文一同发布。除了神经钙成像，该方法有望扩展到其他成像模式，如宽场显微镜、共聚焦显微镜和光片显微镜，或者其他功能成像场景，如细胞迁移观测和电压成像。DeepCAD可作为在光子受限情况下延时成像（time-lapse imaging）的一般数据处理步骤，实现对生物动态活动的低激发功率、长时程观测。

清华大学自动化系博士生李欣阳、张国勋为该论文共同第一作者；清华大学脑与认知科学研究院、清华大学自动化系戴琼海教授；清华大学深圳国际研究生院王好谦教授；清华大学电子系方璐副教授为该论文共同通讯作者。