一種創新成像管道：環反卷積顯微鏡實現便捷高效的空間變化像差校正
在光學顯微鏡領域，像差校正是提升圖像質量的關鍵環節。傳統去卷積方法假設系統的點擴散函數在整個視場內保持不變，這一假設往往不適用于實際應用，導致邊緣區域圖像模糊。而現有的空間變化去模糊技術雖能部分解決問題，卻需要大量校準數據和計算資源，難以普及。本文提出了一種創新成像管道——環反卷積顯微鏡，通過利用成像系統的旋轉對稱性，實現了簡單、快速且高效的空間變化像差校正。該方法僅需單次校準圖像，即可生成沿徑向變化的點擴散函數，并基于此開發了環反卷積算法及其深度學習變體DeepRD。實驗表明，該方法在微型顯微鏡、多色熒光顯微鏡、多模纖維微內窺鏡和光片顯微鏡等多種模態中均能顯著提升圖像質量和分辨率，逼近亞細胞級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》期刊上線發表。該工作為光學成像和生物醫學研究提供了突破性工具。
重要發現
01理論框架：環反卷積的數學基礎
環反卷積顯微鏡的核心理論基于線性旋轉不變性。在旋轉對稱系統中，點擴散函數僅隨點源與光學中心距離變化，而相同半徑處的點擴散函數形狀一致，僅角度不同。這一性質大幅簡化了空間變化像差的建模。研究團隊推導出環卷積操作，將傳統的二維卷積轉化為一維卷積的積分形式，計算復雜度從O(N^6)降低至O(N^3 log N)，使大規模圖像處理變得可行。理論證明，環反卷積在旋轉對稱條件下是精確的，無需近似或啟發式假設。
校準環節通過單張隨機點源圖像擬合Seidel像差系數。Seidel系數量化了像差的空間變化程度，僅需五個主系數（球差、彗差、像散、場曲和畸變）即可表征系統。擬合過程利用優化算法搜索最優系數，生成合成點擴散函數，替代繁瑣的多點測量。該方法在噪聲環境下仍保持魯棒性，即使未收斂到全局最優，也能提供高質量去模糊結果。
02算法創新：環反卷積與DeepRD
環反卷積作為主要算法，通過迭代最小二乘求解逆問題，實現全局最優去模糊。其計算效率高，對于百萬像素圖像，處理時間從數百小時縮短至分鐘級。為滿足實時需求，團隊還開發了DeepRD神經網絡，以Seidel系數為條件輸入，通過超網絡結構生成去模糊權重。DeepRD在訓練中使用合成數據，結合物理模型，確保泛化能力。實驗顯示，DeepRD速度比環反卷積快三個數量級，且參數更少，適合視頻或大圖處理。
在微型顯微鏡實驗中，系統因梯度折射率物鏡存在空間變化像差。RDM處理后，活體緩步動物圖像顯示，邊緣區域的小點狀特征被清晰解析，而標準去卷積在邊緣產生噪聲和低對比度。高數值孔徑多色熒光顯微鏡測試中，RDM分別校準不同顏色通道，校正色差的同時，在視場角落揭示亞細胞結構如肌動蛋白和線粒體。多模纖維微內窺鏡方面，RDM僅需單張校準圖像，優于需要441張圖像的現有方法，能消除像差引起的橢圓變形，解析神經元棘突。光片顯微鏡擴展中，sheet反卷積利用橫向對稱性，將三維去卷積復雜度從O(N^6)降至O(N^4 log N)，實驗證明其在外側區域將軸向分辨率提高300納米，擴展可用視場。
模擬研究量化了算法性能：環卷積在強像差下誤差近乎為零，而標準卷積誤差隨像差增大線性上升。Seidel擬合在低信噪比下仍準確，DeepRD在測試集上峰值信噪比接近環反卷積，但速度快千倍。這些結果驗證了RDM在真實場景中的可靠性。
創新與亮點
01突破空間變化像差校正難題
傳統去卷積技術因假設空間不變性，在視場邊緣性能驟降。而全空間變化去模糊需數萬次點擴散函數測量，計算不可行。環反卷積顯微鏡首次將對稱性融入成像模型，通過旋轉不變性將校準數據減少至單次拍攝，計算效率提升數個量級。這一突破解決了光學設計中的固有矛盾：設計師常為保持空間不變性犧牲視場，RDM則允許利用全視場，降低硬件復雜度。例如，在微型化或高數值孔徑系統中，RDM無需添加校正透鏡，即可實現近衍射極限分辨率。
RDM的核心價值在于其普適性。環反卷積適用于任何旋轉對稱系統，而sheet反卷積擴展至光片顯微鏡等橫向對稱場景。在生物醫學領域，該技術使大規模樣本成像成為可能：神經科學中，微型顯微鏡可捕獲自由活動動物的全視場高分辨率圖像；細胞生物學中，多色熒光成像無需拼接即可觀察亞細胞動態；內窺鏡應用則提升深部組織成像質量，減少組織損傷。光片顯微鏡結合sheet反卷積后，減少機械掃描次數，降低光毒性，適用于長期活體觀察。
此外，RDM的算法框架開放可擴展。DeepRD結合物理先驗，避免純數據驅動模型的過擬合問題，未來可通過改進網絡架構進一步提升速度。校準流程的簡化也使動態系統（如變形纖維）的實時校正成為可能，為術中成像或便攜設備鋪平道路。
總結與展望
環反卷積顯微鏡通過巧妙利用對稱性，重塑了計算光學成像的范式。其理論嚴謹性、校準簡易性和計算高效性，使其在多種顯微鏡模態中均優于傳統方法，實現近各向同性的亞細胞分辨率。未來，隨著GPU并行化和深度學習技術的發展，RDM有望成為生物學、天文學等領域的標準工具，推動硬件簡化與數字化校正融合。展望中，團隊計劃持續優化代碼庫，集成條件模型以提升DeepRD性能，并探索盲反卷積等擴展應用。這項技術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雜問題中的巨大潛力，為下一代智能顯微鏡奠定基礎。
聲明：本文僅用作學術目的。
Kohli A, Angelopoulos AN, McAllister D, Whang E, You S, Yanny K, Gasparoli FM, Chang BJ, Fiolka R, Waller L. Ring deconvolution microscopy: exploiting symmetry for efficient spatially varying aberration correction. Nat Methods. 2025 Jun;22(6):1311-1320.
DOI:10.1038/s41592-025-02684-5.
