Nat Mach Intell | 自监督机器学习自适应光学实现高分辨活体显微成像

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。