深度學習助力消除光學像差難題：速度快成本低分辨率高
該研究由Min Guo、Yicong Wu、Chad M. Hobson 等多位學者合作完成，文章題為 “Deep learning-based aberration compensation improves contrast and resolution in fluorescence microscopy”，于 2025年1月在線發表于《Nature Communications》。
重要發現
01DeAbe方法的核心原理
DeAbe的核心思路是利用樣本“淺層”圖像作為高質量參考，解決像差補償的訓練數據問題。在3D熒光成像中，樣本淺層（靠近物鏡一側）的圖像通常受像差影響小，接近衍射極限，可作為“真值”。研究人員基于成像物理原理，對這些淺層圖像引入合成像差，使其模擬深層受像差嚴重影響的圖像，從而構建“像差圖像-真值圖像”的訓練對，再用3DRCAN神經網絡學習逆轉像差的能力，最終讓訓練好的模型為未知數據消除深度相關像差。
在模擬實驗中，研究團隊構建了包含點、線、球等結構的3D幻影，添加隨機像差和噪聲后，對比DeAbe與傳統方法的效果。結果顯示，DeAbe在結構相似性指數（SSIM）和峰值信噪比（PSNR）上均優于盲去卷積、基于理想點擴散函數（PSF）的Richardson-Lucy去卷積等方法，尤其在像差幅度匹配時表現最佳，即使像差的均方根波前畸變超過4弧度，仍能有效改善圖像。
實驗驗證中，團隊將DeAbe與自適應光學（AO）對比。在鬼筆環肽染色的PtK2細胞成像中，引入的像差掩蓋了細胞邊緣的肌動蛋白網等精細結構，而DeAbe能恢復這些結構，對比度和分辨率接近無像差真值；在固定的5天齡斑馬魚胚胎（表達GFP膜標記）中，DeAbe與AO均能改善40-140μm深度的圖像，側向和軸向分辨率提升顯著，部分場景中DeAbe的視覺清晰度甚至優于AO，可能源于AO校正的不完全性。
03多模態成像中的應用DeAbe在多種顯微鏡技術中展現出廣泛適用性。在光片顯微鏡成像的活體秀麗隱桿線蟲胚胎中，原始數據隨深度增加對比度和分辨率下降，難以分辨亞核結構，而DeAbe恢復了這些結構，效果優于會放大噪聲的Richardson-Lucy去卷積；在轉盤共聚焦顯微鏡成像的成年秀麗隱桿線蟲中，DeAbe顯著提升了NeuroPAL轉基因標記的核信號信噪比，有助于神經元識別；在超分辨瞬時結構光照明顯微鏡（iSIM）成像的NK-92細胞中，DeAbe結合去卷積能更好分辨膜結合糖蛋白簇等精細結構；在雙光子顯微鏡成像的小鼠心肌組織中，DeAbe恢復了150μm深度內的線粒體邊界，而傳統去卷積僅放大噪聲。
此外，DeAbe還能提升定量分析能力。在iDISCO透明化的E11.5小鼠胚胎中，它改善了血管定向分析的精度，使密集交叉血管區域的體素級方向量化更清晰；在秀麗隱桿線蟲胚胎的4D成像中，結合去卷積和各向同性增強網絡，DeAbe助力膜和核的自動分割，細胞計數更接近手動真值，還能追蹤神經突發育動態。
創新與亮點
01突破傳統技術局限
傳統自適應光學（AO）雖能補償像差，但需測量像差波前并施加校正波前，這會減慢成像速度、增加樣本照射劑量，且設備復雜、成本高，僅少數實驗室能使用。而DeAbe完全通過計算實現像差補償，無需額外硬件，不影響成像的時間分辨率，尤其適用于動態樣本（如快速發育的胚胎），解決了AO在速度和成本上的痛點。
DeAbe創新性地利用樣本自身的淺層高質量圖像生成訓練數據，無需依賴AO獲取真值。通過合成像差模擬深層圖像退化，讓神經網絡學習樣本特異性先驗，這一“內容感知”策略使其優于依賴已知像差PSF的傳統去卷積方法，能更好適應復雜生物樣本的像差特性。
03廣泛的應用價值
DeAbe適用于共聚焦、光片、多光子、超分辨等多種顯微鏡，覆蓋從微米級細胞到毫米級胚胎的樣本，既能提升圖像的定性觀察效果（如清晰顯示神經突細節），又能增強定量分析能力（如血管定向、細胞分割）。它讓缺乏高端AO設備的實驗室也能獲得高質量成像數據，推動生命科學研究中厚樣本成像的普及和深入。
總結與展望
DeAbe通過深度學習實現光學像差的計算補償，無需額外硬件，不犧牲成像速度和樣本安全性，效果媲美自適應光學，在多種顯微鏡和樣本中驗證了其提升圖像質量和定量分析的能力。未來，研究可擴展至橫向變化像差的校正，探索全合成數據訓練的通用性，結合更多超分辨技術，進一步提升對異質樣本的適應力，有望成為生命科學成像的常規工具，助力揭示厚樣本深處的生物結構與動態機制。
聲明：本文僅用作學術目的。
Guo M, Wu Y, Hobson CM, Su Y, Qian S, Krueger E, Christensen R, Kroeschell G, Bui J, Chaw M, Zhang L, Liu J, Hou X, Han X, Lu Z, Ma X, Zhovmer A, Combs C, Moyle M, Yemini E, Liu H, Liu Z, Benedetto A, La Riviere P, Colón-Ramos D, Shroff H. Deep learning-based aberration compensation improves contrast and resolution in fluorescence microscopy. bioRxiv [Preprint]. 2024 Jul 15:2023.10.15.562439. doi: 10.1101/2023.10.15.562439. Update in: Nat Commun. 2025 Jan 2;16(1):313.
DOI: 10.1038/s41467-024-55267-x.
