引言
光学显微成像技术近些年在分辨率、成像速度、成像深度上都取得了前所未有的进展，在生物医学研究中发挥着不可或缺的作用。然而，由于样品的光学异质性和成像系统的不完美，图像质量往往会受到光学像差的影响。传统的自适应光学技术可以通过测量和校正这些像差来恢复理想的成像性能，但这些方法通常需要特别的硬件设备，增加了显微镜的复杂性和成本。
2024年6月24日，加州大学伯克利分校Na Ji教授团队在Nature Machine Intelligence发表题为Coordinate-based neural representations for computational adaptive optics in widefield microscopy的研究长文，该文章的共同一作及共同通讯作者为加州大学伯克利分校的Iksung Kang博士和张沁榕博士（现为香港城市大学生物医学工程系助理教授），论文合作者还包括密西根大学的Stella X. Yu教授。该文章介绍了一种名为CoCoA （Coordinate-based neural representations for computational adaptive optics）的自监督机器学习的自适应光学算法。CoCoA算法不依赖于硬件，能够从单个输入的三维图像堆栈中同时进行波前估计和三维结构信息提取，实现对于生物成像中像差的估计与矫正，无需外部训练数据集，这为计算高分辨显微成像带来了更多的机遇。使用CoCoA，作者们基于机器学习自适应光学实现了活体鼠脑的高分辨宽场成像。
近些年来，利用计算光学尤其是基于机器学习的手段，研究者们一直在尝试开发基于图像、不依赖于硬件的自适应光学技术，但是这些方法通常需要于大量的外部训练数据集，且依赖于硬件进行像差矫正。而这项工作介绍的CoCoA不需要外部监督或外部训练数据集，且不依赖硬件进行像差矫正。它利用一个多层感知机（MLP）和傅里叶特征映射（FFM）来表示复杂的结构，通过自监督学习从输入图像堆栈中提取波前像差和三维结构信息（图1）。CoCoA通过整合坐标基神经表示和前向物理模型来优化解决方案，显著减少了计算问题的不适定性。
图1. CoCoA算法结构（Credit: Nature Machine Intelligence）
研究团队在小鼠脑组织的宽视场成像中验证了CoCoA的性能，并与直接波前感知自适应光学方法进行了对比（图2）。结果表明CoCoA表现出色，能够准确估计波前像差，并准确恢复三维结构信息（图3）。
图2. 成像系统示意图（Credit: Nature Machine Intelligence）
图3. CoCoA在活体鼠脑成像(a)中的性能。(b) 普通宽场活体鼠脑神经结构。(c) CoCoA重构活体鼠脑神经结构（Credit: Nature Machine Intelligence）
同样重要的是，该研究还系统地探讨了影响CoCoA性能的限制因素，对输入图像的信噪比（SNR）和信背比（SBR）阈值进行了量化，为计算自适应光学的技术开发和应用提供了重要的参考信息。
CoCoA代表了一种无需硬件辅助的新型自适应光学方法，通过机器学习显著提升了显微镜成像的性能和应用广度。未来，这一技术有望广泛应用于各类显微镜成像模式，为生物医学研究提供更为清晰和精准的图像数据。
参考文献
https://www.nature.com/articles/s42256-024-00853-3
责编|探索君
排版|探索君
文章来源|“BioArt”
End
往期精选
围观
一文读透细胞死亡(Cell Death) | 24年Cell重磅综述（长文收藏版）
热文
Cell | 是什么决定了细胞的大小？
热文
Nature | 2024年值得关注的七项技术
热文
Nature | 自身免疫性疾病能被治愈吗？科学家们终于看到了希望
热文