基于物理信息生成对抗网络的实时无透镜成像技术突破：实现550 mm2超大视场动态样本监测

本研究针对传统无透镜成像(LFI)系统在动态样本监测中的多位置扫描、光学参数依赖等局限，开发了GenLFl框架。通过结合物理信息生成对抗网络(LensGAN)与超大视场LFI系统，实现了单次拍摄550 mm2视域下的3D动态样本(如微流控系统、3D细胞模型)实时成像，分辨率达5.52μm，速度较现有方法提升20倍。该技术突破了光学配置限制，为生物医学高通量检测提供了创新解决方案。

　　

在生物医学研究领域，实时观测动态样本始终是项重大挑战。传统显微镜受限于透镜放大倍率和像差，视场(FOV)往往只有几平方毫米；而无透镜成像(LFI)虽能扩大视场，却需要多次扫描和复杂光学建模，仅适用于静态样本。更棘手的是，当遇到微流控芯片中高速运动的液滴或厚度达数百微米的3D细胞球体时，现有技术难以捕捉这些"复杂光学场"中的重叠衍射波与投影阴影。这严重制约了癌症转移追踪、器官芯片监测等高通量应用的发展。

为此，Ronald Bingnan Liu等团队在《Cell Reports Physical Science》发表的研究，带来了革命性的解决方案。研究人员巧妙地将物理先验知识注入生成对抗网络，创建了GenLFl框架。该技术首次实现单次拍摄即可重构550 mm²视域内的动态样本，分辨率突破衍射极限达5.52μm（小于传感器像素尺寸5.94μm），且完全摆脱了对特定光学配置的依赖。

关键技术包括：1）搭建可调节的相干光源LFI系统，支持蓝光LED（420nm）和红光激光（635nm）两种照明模式；2）开发LensGAN网络架构，通过相位对比模块（phase-contrast module）将PCM（相位对比显微镜）物理机制转化为软约束；3）采用非配对数据集训练策略，从随机捕获的微流控（17万帧）和细胞球体（2.6万帧）图像中自主学习特征映射。

【Real-time imaging framework with unsupervised model】
研究团队发现传统LFI依赖精确光学参数θ(H)建模，而3D样本产生的复杂波前难以用现有算法解析。如图1D所示，LensGAN通过引入选择器网络β和注意力机制判别器，成功将未对齐的模糊全息图（如图2A ROI3）转化为清晰图像，FID（Fréchet inception distance）指标显示其重建质量显著优于传统z-stack方法。

【FOV, resolution, and reconstruction speed】
突破性体现在三方面：1）视场仅受传感器尺寸限制，在36×24mm全画幅CMOS上实现553 mm²单次成像；2）分辨率测试显示可分辨USAF 1951图表第6组第4元素（对应5.52μm），10μm微球成像中FWHM（半高全宽）差异<0.5μm；3）重建速度达0.0031 s·mm^-2，比迭代算法MHPR快200倍（表1）。

【Spheroids monitoring】
对厚度>100μm的MeT-5A NF2KO细胞球体（图4A），传统DHM（数字全息显微镜）无法重构内部结构，而GenLFl通过635nm激光穿透成像，清晰显示边缘生长区域（图4C）。时间序列分析首次实现大视域下球体生长动力学监测。

【Microfluidics screening】
在微流控芯片验证中（图5B），LensGAN成功从单帧全息图重构1792×768像素的完整通道，克服了液滴运动导致的阴影干扰。视频S1显示该方法可同步观测液滴生成（5-15Hz）与下游分选过程。

这项研究标志着计算成像领域的范式转变。GenLFl通过将物理规律编码为神经网络约束，首次实现：1）动态样本单次拍摄重构；2）光学配置与成像性能解耦；3）非配对数据训练。其意义不仅在于创造550 mm²的视场记录（较现有技术提升20倍），更开创了"物理信息生成模型"在生物医学成像中的新应用场景。正如作者指出，该技术有望推动从药物筛选（2000种FDA批准药物组合）到器官芯片监测的高通量自动化革命。未来与大型视觉模型（LVM）结合，可能进一步突破当前GAN（生成对抗网络）的泛化限制。