一種創(chuàng)新成像管道：環(huán)反卷積顯微鏡實現便捷高效的空間變化像差校正
在光學顯微鏡領域，像差校正是提升圖像質量的關鍵環(huán)節(jié)。傳統(tǒng)去卷積方法假設系統(tǒng)的點擴散函數在整個視場內保持不變，這一假設往往不適用于實際應用，導致邊緣區(qū)域圖像模糊。而現有的空間變化去模糊技術雖能部分解決問題，卻需要大量校準數據和計算資源，難以普及。本文提出了一種創(chuàng)新成像管道——環(huán)反卷積顯微鏡，通過利用成像系統(tǒng)的旋轉對稱性，實現了簡單、快速且高效的空間變化像差校正。該方法僅需單次校準圖像，即可生成沿徑向變化的點擴散函數，并基于此開發(fā)了環(huán)反卷積算法及其深度學習變體DeepRD。實驗表明，該方法在微型顯微鏡、多色熒光顯微鏡、多模纖維微內窺鏡和光片顯微鏡等多種模態(tài)中均能顯著提升圖像質量和分辨率，逼近亞細胞級別的各向同性解析能力。
本研究成果由Amit Kohli、Anastasios N. Angelopoulos、David McAllister、Esther Whang、Sixian You、Kyrollos Yanny、Federico M. Gasparoli、Bo-Jui Chang、Reto Fiolka和Laura Waller共同發(fā)表，論文題為“Ring deconvolution microscopy: exploiting symmetry for efficient spatially varying aberration correction”，于2025年在《Nature Methods》期刊上線發(fā)表。該工作為光學成像和生物醫(yī)學研究提供了突破性工具。
重要發(fā)現
01理論框架：環(huán)反卷積的數學基礎
環(huán)反卷積顯微鏡的核心理論基于線性旋轉不變性。在旋轉對稱系統(tǒng)中，點擴散函數僅隨點源與光學中心距離變化，而相同半徑處的點擴散函數形狀一致，僅角度不同。這一性質大幅簡化了空間變化像差的建模。研究團隊推導出環(huán)卷積操作，將傳統(tǒng)的二維卷積轉化為一維卷積的積分形式，計算復雜度從O(N^6)降低至O(N^3 log N)，使大規(guī)模圖像處理變得可行。理論證明，環(huán)反卷積在旋轉對稱條件下是精確的，無需近似或啟發(fā)式假設。
校準環(huán)節(jié)通過單張隨機點源圖像擬合Seidel像差系數。Seidel系數量化了像差的空間變化程度，僅需五個主系數（球差、彗差、像散、場曲和畸變）即可表征系統(tǒng)。擬合過程利用優(yōu)化算法搜索最優(yōu)系數，生成合成點擴散函數，替代繁瑣的多點測量。該方法在噪聲環(huán)境下仍保持魯棒性，即使未收斂到全局最優(yōu)，也能提供高質量去模糊結果。
02算法創(chuàng)新：環(huán)反卷積與DeepRD
環(huán)反卷積作為主要算法，通過迭代最小二乘求解逆問題，實現全局最優(yōu)去模糊。其計算效率高，對于百萬像素圖像，處理時間從數百小時縮短至分鐘級。為滿足實時需求，團隊還開發(fā)了DeepRD神經網絡，以Seidel系數為條件輸入，通過超網絡結構生成去模糊權重。DeepRD在訓練中使用合成數據，結合物理模型，確保泛化能力。實驗顯示，DeepRD速度比環(huán)反卷積快三個數量級，且參數更少，適合視頻或大圖處理。
在微型顯微鏡實驗中，系統(tǒng)因梯度折射率物鏡存在空間變化像差。RDM處理后，活體緩步動物圖像顯示，邊緣區(qū)域的小點狀特征被清晰解析，而標準去卷積在邊緣產生噪聲和低對比度。高數值孔徑多色熒光顯微鏡測試中，RDM分別校準不同顏色通道，校正色差的同時，在視場角落揭示亞細胞結構如肌動蛋白和線粒體。多模纖維微內窺鏡方面，RDM僅需單張校準圖像，優(yōu)于需要441張圖像的現有方法，能消除像差引起的橢圓變形，解析神經元棘突。光片顯微鏡擴展中，sheet反卷積利用橫向對稱性，將三維去卷積復雜度從O(N^6)降至O(N^4 log N)，實驗證明其在外側區(qū)域將軸向分辨率提高300納米，擴展可用視場。
模擬研究量化了算法性能：環(huán)卷積在強像差下誤差近乎為零，而標準卷積誤差隨像差增大線性上升。Seidel擬合在低信噪比下仍準確，DeepRD在測試集上峰值信噪比接近環(huán)反卷積，但速度快千倍。這些結果驗證了RDM在真實場景中的可靠性。
創(chuàng)新與亮點
01突破空間變化像差校正難題
傳統(tǒng)去卷積技術因假設空間不變性，在視場邊緣性能驟降。而全空間變化去模糊需數萬次點擴散函數測量，計算不可行。環(huán)反卷積顯微鏡首次將對稱性融入成像模型，通過旋轉不變性將校準數據減少至單次拍攝，計算效率提升數個量級。這一突破解決了光學設計中的固有矛盾：設計師常為保持空間不變性犧牲視場，RDM則允許利用全視場，降低硬件復雜度。例如，在微型化或高數值孔徑系統(tǒng)中，RDM無需添加校正透鏡，即可實現近衍射極限分辨率。
RDM的核心價值在于其普適性。環(huán)反卷積適用于任何旋轉對稱系統(tǒng)，而sheet反卷積擴展至光片顯微鏡等橫向對稱場景。在生物醫(yī)學領域，該技術使大規(guī)模樣本成像成為可能：神經科學中，微型顯微鏡可捕獲自由活動動物的全視場高分辨率圖像；細胞生物學中，多色熒光成像無需拼接即可觀察亞細胞動態(tài)；內窺鏡應用則提升深部組織成像質量，減少組織損傷。光片顯微鏡結合sheet反卷積后，減少機械掃描次數，降低光毒性，適用于長期活體觀察。
此外，RDM的算法框架開放可擴展。DeepRD結合物理先驗，避免純數據驅動模型的過擬合問題，未來可通過改進網絡架構進一步提升速度。校準流程的簡化也使動態(tài)系統(tǒng)（如變形纖維）的實時校正成為可能，為術中成像或便攜設備鋪平道路。
總結與展望
環(huán)反卷積顯微鏡通過巧妙利用對稱性，重塑了計算光學成像的范式。其理論嚴謹性、校準簡易性和計算高效性，使其在多種顯微鏡模態(tài)中均優(yōu)于傳統(tǒng)方法，實現近各向同性的亞細胞分辨率。未來，隨著GPU并行化和深度學習技術的發(fā)展，RDM有望成為生物學、天文學等領域的標準工具，推動硬件簡化與數字化校正融合。展望中，團隊計劃持續(xù)優(yōu)化代碼庫，集成條件模型以提升DeepRD性能，并探索盲反卷積等擴展應用。這項技術不僅提升了成像極限，更彰顯了物理模型與算法融合在解決復雜問題中的巨大潛力，為下一代智能顯微鏡奠定基礎。
聲明：本文僅用作學術目的。
Kohli A, Angelopoulos AN, McAllister D, Whang E, You S, Yanny K, Gasparoli FM, Chang BJ, Fiolka R, Waller L. Ring deconvolution microscopy: exploiting symmetry for efficient spatially varying aberration correction. Nat Methods. 2025 Jun;22(6):1311-1320.
DOI:10.1038/s41592-025-02684-5.
