浙江大学脑科学与脑医学系、脑机接口研究院、光电科学与工程学院等机构的研究团队于2025年3月10日在预印本平台bioRxiv上发表文章，题目为《High-throughput 3D super-resolution imaging in deep tissue》，主要研究了一种名为3D-FUDIP的新型三维去卷积成像方法，该方法通过解耦去卷积过程，显著提高了深组织成像的分辨率和信噪比，并展示了其在多种显微镜系统中的应用潜力。
荧光成像技术在生物医学研究中被广泛应用于观察和分析生物样本的结构与功能。然而，传统光学显微镜成像的荧光图像通常受到模糊和噪声的严重影响，限制了成像的分辨率和细节表现。尽管显微镜技术不断发展，但荧光图像的退化问题仍然是一个挑战。为了恢复高信噪比（SNR），研究者们提出了多种去噪方法，如基于梯度先验的方法、基于自相似性的方法以及基于相机校正的方法。这些方法虽然在一定程度上抑制了噪声，但往往会牺牲图像细节。此外，去卷积技术虽然可以部分恢复图像细节，但容易受到噪声干扰，导致细节保留与噪声抑制之间的平衡难以把握。
近年来，深度学习在图像恢复任务中展现出独特优势，但其依赖于大量的高质量训练数据，这在荧光成像中往往难以获得。为了解决这一问题，研究者们提出了3D-FUDIP（3D Fully Uncoupled Deconvolution with Iterative Process），这是一种基于泊松模型的三维去卷积方法，通过变量分离将去卷积过程完全解耦为去模糊和去噪两个部分，并通过交替迭代优化图像性能。该方法特别适用于低光条件下的成像，能够显著提高图像的信噪比和空间分辨率。
3D-FUDIP的核心在于将去卷积过程分解为去模糊和去噪两个独立的子问题。研究者们通过建立物理模型描述荧光成像过程，并引入紧致小波域的稀疏性约束作为正则化项，以保留荧光体积的边缘细节。通过变量分离和交替迭代，去卷积过程被完全解耦，从而在去模糊和去噪之间实现了平衡。
实验中，研究者们使用了多种显微镜系统来验证3D-FUDIP的性能，包括共聚焦显微镜、双光子显微镜和光片显微镜。为了评估3D-FUDIP在不同噪声条件下的性能，研究者们生成了包含泊松噪声和高斯噪声的三维幻影对象，并将其与共聚焦显微镜的点扩散函数（PSF）进行卷积。此外，研究者们还通过调整激光功率来模拟低光条件下的成像，并在小鼠脑切片样本上进行了实验。为了进一步提高成像分辨率，研究者们提出了3D-FUDIPn，这是一种结合深度学习的改进方法。通过使用高分辨率图像作为参考，3D-FUDIPn能够进一步优化低分辨率图像的恢复效果。实验中，研究者们使用了小鼠脑切片中的树突棘作为模型结构，通过3D-FUDIPn对这些结构进行高分辨率重建，并与原始图像和其他去卷积方法的结果进行了比较。
Figure 1展示了3D-FUDIP的基本原理和工作流程。通过将去卷积过程分解为去模糊和去噪两个部分，3D-FUDIP能够在保留细节的同时抑制噪声。实验结果表明，3D-FUDIP能够成功分辨出间距为192纳米和239纳米的荧光微球，实现了接近衍射极限的分辨率（253.8纳米）。与原始数据相比，3D-FUDIP处理后的图像在横向和轴向的半高全宽（FWHM）分别从498.7纳米降低到232.2纳米，从2.77微米降低到1.62微米，空间分辨率提高了近8倍。
Figure 2重点展示了3D-FUDIP在低光条件下的性能。通过模拟不同噪声水平的三维幻影对象，研究者们比较了3D-FUDIP与其他传统去卷积算法（如Pure-let、Huygens和Richardson-Lucy）的性能。结果表明，3D-FUDIP在各种噪声条件下均表现出更好的噪声抑制和细节恢复能力。在最严重的噪声条件下，3D-FUDIP的结构相似性指数（SSIM）为0.55，峰值信噪比（PSNR）为24.71分贝，显著优于其他方法。此外，在小鼠脑切片实验中，3D-FUDIP在10%激光功率下实现了6倍的信噪比提升，接近50%激光功率下原始数据的信噪比。
Figure 3和Figure 4进一步展示了3D-FUDIP在提高分辨率和对比度方面的优势。通过在小鼠脑切片中成像，研究者们验证了3D-FUDIP能够显著提高图像的对比度和分辨率。例如，在40×物镜下，3D-FUDIP处理后的图像在横向和轴向的分辨率分别提高了近2倍和1.7倍。此外，3D-FUDIP还能够显著提高空间带宽积（SBP），使得在更大的成像体积内能够分辨出更多的细节。例如，在40×物镜下，3D-FUDIP处理后的SBP从3061万提高到24149万，接近60×物镜的20倍。
Figure 5和Figure 6展示了3D-FUDIPn的性能。通过结合深度学习，3D-FUDIPn能够进一步提高成像分辨率。在小鼠脑切片的树突棘成像中，3D-FUDIPn能够清晰地分辨出原始图像中无法分辨的细节，显著提高了树突棘的重建精度。统计结果显示，3D-FUDIPn将树突棘面积和体积的重建误差分别降低了近17倍和40倍。此外，3D-FUDIPn还能够更准确地分类树突棘的类型，为神经科学研究提供了更可靠的工具。
本文提出了一种名为3D-FUDIP的新型三维去卷积方法，通过解耦去卷积过程，显著提高了深组织成像的分辨率和信噪比。该方法特别适用于低光条件下的成像，能够在仅使用五分之一光子预算的情况下实现超过6倍的信噪比提升。通过进一步结合深度学习，3D-FUDIPn能够进一步提高成像分辨率，为生物医学研究提供了一种强大的计算成像工具。该方法不仅在多种显微镜系统中展现出良好的兼容性，还为未来高通量三维超分辨率成像提供了新的思路和方法。
