综述：光学衍射断层显微成像中的图像重建算法研究

这篇综述系统梳理了光学衍射断层成像（ODT）技术中各类重建算法的原理与进展，涵盖从基于物理模型（如Born近似、滤波反投影）的线性方法到高阶散射模型（如BPM、WPM）及深度学习（DL）融合方案，揭示了该技术在活细胞无标记三维定量折射率（RI）成像中的独特优势（分辨率<200 nm）与生物医学应用潜力。

　　

Abstract
光学衍射断层成像（ODT）作为一种无标记三维定量相位成像技术，通过折射率（RI）对比实现亚细胞结构可视化，兼具非侵入性、高分辨率（横向<100 nm，轴向<200 nm）和长期动态观测能力。其核心在于通过多角度散射场数据重建样本三维RI分布，而算法性能直接决定成像质量与效率。

Introduction
传统光学显微技术受限于低对比度（透明样本）或光毒性（荧光标记），而ODT基于Wolf提出的衍射理论，通过傅里叶衍射定理建立散射场与样本散射势的频域映射。近年硬件革新（如高速旋转扫描、大视场系统）推动ODT在细胞生物学、免疫学等领域的应用，但复杂样本的多重散射效应和缺失锥问题仍是算法优化的关键挑战。

Fundamental principles of ODT
ODT分辨率受入射光波长和数值孔径（NA）限制，但通过结构化照明或多角度平面波编码高频信息，突破衍射极限。其物理模型分为线性（Born/Rytov近似）和非线性（如Lippmann-Schwinger方程）两类，前者计算高效但仅适用于弱散射样本，后者通过迭代求解波动方程提升厚样本重建精度。

ODT reconstruction algorithms

• 线性模型：直接反演法和滤波反投影（FBPP）算法计算速度快，但易产生多重散射伪影。
• 非线性模型：波传播法（WPM）、多层Born（MLB）及Born级数法显式建模多重散射，虽计算复杂度高（耗时增加3个数量级），但显著提升重建保真度。
• 深度学习：卷积神经网络（CNN）通过物理模型融合，有效解决缺失锥问题并实现实时成像（如camera-speed重建）。

Combination with other techniques
ODT与荧光显微联用可互补标记/无标记信息，而AI驱动的混合框架（如自监督学习）进一步拓展其在病理筛查和药物开发中的应用场景。

Conclusions and future perspectives
未来ODT发展需平衡算法精度与计算效率，并探索跨尺度成像（如组织水平）和动态过程捕捉。深度学习与物理模型的协同优化，或将成为突破现有性能天花板的关键路径。

（注：全文严格基于原文缩编，未新增未提及的结论或数据）