一種創(chuàng)新成像管道：環(huán)反卷積顯微鏡實(shí)現(xiàn)便捷高效的空間變化像差校正

在光學(xué)顯微鏡領(lǐng)域，像差校正是提升圖像質(zhì)量的關(guān)鍵環(huán)節(jié)。傳統(tǒng)去卷積方法假設(shè)系統(tǒng)的點(diǎn)擴(kuò)散函數(shù)在整個(gè)視場(chǎng)內(nèi)保持不變，這一假設(shè)往往不適用于實(shí)際應(yīng)用，導(dǎo)致邊緣區(qū)域圖像模糊。而現(xiàn)有的空間變化去模糊技術(shù)雖能部分解決問題，卻需要大量校準(zhǔn)數(shù)據(jù)和計(jì)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(zhuǎn)對(duì)稱性，實(shí)現(xiàn)了簡(jiǎn)單、快速且高效的空間變化像差校正。該方法僅需單次校準(zhǔn)圖像，即可生成沿徑向變化的點(diǎn)擴(kuò)散函數(shù)，并基于此開發(fā)了環(huán)反卷積算法及其深度學(xué)習(xí)變體DeepRD。實(shí)驗(yàn)表明，該方法在微型顯微鏡、多色熒光顯微鏡、多模纖維微內(nèi)窺鏡和光片顯微鏡等多種模態(tài)中均能顯著提升圖像質(zhì)量和分辨率，逼近亞細(xì)胞級(jí)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(xué)成像和生物醫(yī)學(xué)研究提供了突破性工具。

重要發(fā)現(xiàn)
01理論框架：環(huán)反卷積的數(shù)學(xué)基礎(chǔ)
環(huán)反卷積顯微鏡的核心理論基于線性旋轉(zhuǎn)不變性。在旋轉(zhuǎn)對(duì)稱系統(tǒng)中，點(diǎn)擴(kuò)散函數(shù)僅隨點(diǎn)源與光學(xué)中心距離變化，而相同半徑處的點(diǎn)擴(kuò)散函數(shù)形狀一致，僅角度不同。這一性質(zhì)大幅簡(jiǎn)化了空間變化像差的建模。研究團(tuán)隊(duì)推導(dǎo)出環(huán)卷積操作，將傳統(tǒng)的二維卷積轉(zhuǎn)化為一維卷積的積分形式，計(jì)算復(fù)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(zhuǎn)對(duì)稱條件下是精確的，無需近似或啟發(fā)式假設(shè)。

校準(zhǔn)環(huán)節(jié)通過單張隨機(jī)點(diǎn)源圖像擬合Seidel像差系數(shù)。Seidel系數(shù)量化了像差的空間變化程度，僅需五個(gè)主系數(shù)（球差、彗差、像散、場(chǎng)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(shù)，生成合成點(diǎn)擴(kuò)散函數(shù)，替代繁瑣的多點(diǎn)測(cè)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(zhì)量去模糊結(jié)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(shí)現(xiàn)全局最優(yōu)去模糊。其計(jì)算效率高，對(duì)于百萬像素圖像，處理時(shí)間從數(shù)百小時(shí)縮短至分鐘級(jí)。為滿足實(shí)時(shí)需求，團(tuán)隊(duì)還開發(fā)了DeepRD神經(jīng)網(wǎng)絡(luò)，以Seidel系數(shù)為條件輸入，通過超網(wǎng)絡(luò)結(jié)構(gòu)生成去模糊權(quán)重。DeepRD在訓(xùn)練中使用合成數(shù)據(jù)，結(jié)合物理模型，確保泛化能力。實(shí)驗(yàn)顯示，DeepRD速度比環(huán)反卷積快三個(gè)數(shù)量級(jí)，且參數(shù)更少，適合視頻或大圖處理。

模擬研究量化了算法性能：環(huán)卷積在強(qiáng)像差下誤差近乎為零，而標(biāo)準(zhǔn)卷積誤差隨像差增大線性上升。Seidel擬合在低信噪比下仍準(zhǔn)確，DeepRD在測(cè)試集上峰值信噪比接近環(huán)反卷積，但速度快千倍。這些結(jié)果驗(yàn)證了RDM在真實(shí)場(chǎng)景中的可靠性。

創(chuàng)新與亮點(diǎn)
01突破空間變化像差校正難題
傳統(tǒng)去卷積技術(shù)因假設(shè)空間不變性，在視場(chǎng)邊緣性能驟降。而全空間變化去模糊需數(shù)萬次點(diǎn)擴(kuò)散函數(shù)測(cè)量，計(jì)算不可行。環(huán)反卷積顯微鏡首次將對(duì)稱性融入成像模型，通過旋轉(zhuǎn)不變性將校準(zhǔn)數(shù)據(jù)減少至單次拍攝，計(jì)算效率提升數(shù)個(gè)量級(jí)。這一突破解決了光學(xué)設(shè)計(jì)中的固有矛盾：設(shè)計(jì)師常為保持空間不變性犧牲視場(chǎng)，RDM則允許利用全視場(chǎng)，降低硬件復(fù)雜度。例如，在微型化或高數(shù)值孔徑系統(tǒng)中，RDM無需添加校正透鏡，即可實(shí)現(xiàn)近衍射極限分辨率。

此外，RDM的算法框架開放可擴(kuò)展。DeepRD結(jié)合物理先驗(yàn)，避免純數(shù)據(jù)驅(qū)動(dòng)模型的過擬合問題，未來可通過改進(jìn)網(wǎng)絡(luò)架構(gòu)進(jìn)一步提升速度。校準(zhǔn)流程的簡(jiǎn)化也使動(dòng)態(tài)系統(tǒng)（如變形纖維）的實(shí)時(shí)校正成為可能，為術(shù)中成像或便攜設(shè)備鋪平道路。

總結(jié)與展望
環(huán)反卷積顯微鏡通過巧妙利用對(duì)稱性，重塑了計(jì)算光學(xué)成像的范式。其理論嚴(yán)謹(jǐn)性、校準(zhǔn)簡(jiǎn)易性和計(jì)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(shí)現(xiàn)近各向同性的亞細(xì)胞分辨率。未來，隨著GPU并行化和深度學(xué)習(xí)技術(shù)的發(fā)展，RDM有望成為生物學(xué)、天文學(xué)等領(lǐng)域的標(biāo)準(zhǔn)工具，推動(dòng)硬件簡(jiǎn)化與數(shù)字化校正融合。展望中，團(tuán)隊(duì)計(jì)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(kuò)展應(yīng)用。這項(xiàng)技術(shù)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(fù)雜問題中的巨大潛力，為下一代智能顯微鏡奠定基礎(chǔ)。

DOI:10.1038/s41592-025-02684-5.