Nature Communications | 深度学习助力消除光学像差难题：速度快成本低分辨率高
光学像差是荧光显微镜观察厚样本时的一大难题，它会降低图像的信号、对比度和分辨率。为解决这一问题，研究团队提出了一种基于深度学习的像差补偿策略——DeAbe。该方法通过对样本浅层近衍射极限图像引入合成像差，模拟深层像差图像，再训练神经网络逆转像差影响，无需减慢成像速度、增加照射剂量或添加额外光学元件，效果可与自适应光学技术媲美，且已在共聚焦、光片、多光子和超分辨显微镜等多种成像技术中验证，能改善图像质量并提升下游定量分析能力。
该研究由Min Guo、Yicong Wu、Chad M. Hobson 等多位学者合作完成，文章题为 “Deep learning-based aberration compensation improves contrast and resolution in fluorescence microscopy”，于 2025年1月在线发表于《Nature Communications》。
重要发现
DeAbe方法的核心原理
DeAbe的核心思路是利用样本“浅层”图像作为高质量参考，解决像差补偿的训练数据问题。在3D荧光成像中，样本浅层（靠近物镜一侧）的图像通常受像差影响小，接近衍射极限，可作为“真值”。研究人员基于成像物理原理，对这些浅层图像引入合成像差，使其模拟深层受像差严重影响的图像，从而构建“像差图像-真值图像”的训练对，再用3DRCAN神经网络学习逆转像差的能力，最终让训练好的模型为未知数据消除深度相关像差。
基于深度学习的像差补偿的概念与模拟
模拟与实验验证
在模拟实验中，研究团队构建了包含点、线、球等结构的3D幻影，添加随机像差和噪声后，对比DeAbe与传统方法的效果。结果显示，DeAbe在结构相似性指数（SSIM）和峰值信噪比（PSNR）上均优于盲去卷积、基于理想点扩散函数（PSF）的Richardson-Lucy去卷积等方法，尤其在像差幅度匹配时表现最佳，即使像差的均方根波前畸变超过4弧度，仍能有效改善图像。
将DeAbe与实验真实值和自适应光学（AO）校正进行对比
实验验证中，团队将DeAbe与自适应光学（AO）对比。在鬼笔环肽染色的PtK2细胞成像中，引入的像差掩盖了细胞边缘的肌动蛋白网等精细结构，而DeAbe能恢复这些结构，对比度和分辨率接近无像差真值；在固定的5天龄斑马鱼胚胎（表达GFP膜标记）中，DeAbe与AO均能改善40-140μm深度的图像，侧向和轴向分辨率提升显著，部分场景中DeAbe的视觉清晰度甚至优于AO，可能源于AO校正的不完全性。
多模态成像中的应用
DeAbe在多种显微镜技术中展现出广泛适用性。在光片显微镜成像的活体秀丽隐杆线虫胚胎中，原始数据随深度增加对比度和分辨率下降，难以分辨亚核结构，而DeAbe恢复了这些结构，效果优于会放大噪声的Richardson-Lucy去卷积；在转盘共聚焦显微镜成像的成年秀丽隐杆线虫中，DeAbe显著提升了NeuroPAL转基因标记的核信号信噪比，有助于神经元识别；在超分辨瞬时结构光照明显微镜（iSIM）成像的NK-92细胞中，DeAbe结合去卷积能更好分辨膜结合糖蛋白簇等精细结构；在双光子显微镜成像的小鼠心肌组织中，DeAbe恢复了150μm深度内的线粒体边界，而传统去卷积仅放大噪声。
多种荧光显微镜图像数据集的计算像差补偿
毫米级透明化小鼠胚胎体积的计算像差补偿
将像差补偿纳入多步骤恢复显著提高了活体延时成像中的图像质量
此外，DeAbe还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，使密集交叉血管区域的体素级方向量化更清晰；在秀丽隐杆线虫胚胎的4D成像中，结合去卷积和各向同性增强网络，DeAbe助力膜和核的自动分割，细胞计数更接近手动真值，还能追踪神经突发育动态。
创新与亮点
突破传统技术局限
传统自适应光学（AO）虽能补偿像差，但需测量像差波前并施加校正波前，这会减慢成像速度、增加样本照射剂量，且设备复杂、成本高，仅少数实验室能使用。而DeAbe完全通过计算实现像差补偿，无需额外硬件，不影响成像的时间分辨率，尤其适用于动态样本（如快速发育的胚胎），解决了AO在速度和成本上的痛点。
独特的技术路径
DeAbe创新性地利用样本自身的浅层高质量图像生成训练数据，无需依赖AO获取真值。通过合成像差模拟深层图像退化，让神经网络学习样本特异性先验，这一“内容感知”策略使其优于依赖已知像差PSF的传统去卷积方法，能更好适应复杂生物样本的像差特性。
广泛的应用价值
DeAbe适用于共聚焦、光片、多光子、超分辨等多种显微镜，覆盖从微米级细胞到毫米级胚胎的样本，既能提升图像的定性观察效果（如清晰显示神经突细节），又能增强定量分析能力（如血管定向、细胞分割）。它让缺乏高端AO设备的实验室也能获得高质量成像数据，推动生命科学研究中厚样本成像的普及和深入。
总结与展望
DeAbe通过深度学习实现光学像差的计算补偿，无需额外硬件，不牺牲成像速度和样本安全性，效果媲美自适应光学，在多种显微镜和样本中验证了其提升图像质量和定量分析的能力。未来，研究可扩展至横向变化像差的校正，探索全合成数据训练的通用性，结合更多超分辨技术，进一步提升对异质样本的适应力，有望成为生命科学成像的常规工具，助力揭示厚样本深处的生物结构与动态机制。
声明：本文仅用作学术目的。
DOI: 10.1038/s41467-024-55267-x.
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间联系我们，我们将协调进行处理，最终解释权归旭为光电所有。
