DeepInMiniscope：基于深度学习的物理信息集成微型显微镜实现大规模快速三维荧光成像

本研究针对集成荧光显微镜在大规模三维成像中重建算法计算效率低、质量差的问题，开发了DeepInMiniscope系统。该系统采用定制双合透镜阵列与新型物理信息深度学习模型（multi-local-FOV ADMM-Net），实现了4×6×0.6 mm3大视野三维重建，速度达1-3 Hz，分辨率达10 μm（横向）/60 μm（轴向）。在活体小鼠大脑神经元钙成像中成功解析近细胞级活动，为生物医学研究提供了便携、高效的三维成像新工具。

　　

在生物医学研究领域，荧光显微镜已成为观测细胞和亚细胞结构的核心工具。传统台式显微镜虽然性能优异，但其庞大的体积限制了在活体动物内部或临床内窥场景中的应用。近年来出现的微型化显微镜在一定程度上解决了设备便携性问题，但仍面临根本性挑战：视野范围（FOV）、分辨率与设备尺寸之间存在难以调和的矛盾。更关键的是，这些微型设备通常缺乏光学切片能力，无法实现三维成像，若要获取深度信息需通过机械调焦方式逐层扫描，不仅效率低下且易错过动态过程。

为突破这些限制，基于光学掩模的集成式显微镜（mask-based integrated microscopy）应运而生。这种新兴技术通过用超薄光学掩模替代传统庞大光学元件，使整个设备可实现毫米级薄度。其工作原理是光学掩模对物体发出光线进行编码调制，将三维物体信息压缩记录在二维图像中，单次曝光即可捕获体积信息。然而，这种技术面临两大核心挑战：首先，从二维测量数据重建三维信息本质上是病态逆问题，需要强先验信息；其次，与传统显微镜点扩散函数（PSF） spatially confined不同，集成显微镜的PSF在相机平面上广泛扩散，当观测高密度生物样本时，不同物点的像会严重重叠，导致信噪比骤降。这些问题在大视野、高像素数据场景下变得尤为突出，对计算资源提出极高要求。

针对这些挑战，加州大学戴维斯分校研究团队在《Science Advances》发表了题为"DeepInMiniscope: Deep learning–powered physics-informed integrated miniscope"的研究论文，报道了一种创新性集成显微镜系统。该系统结合定制光学掩模与物理信息深度学习算法，成功实现了高质量、高效率的大规模三维重建，在活体小鼠大脑神经元钙成像中达到近细胞分辨率，标志着集成显微镜技术的重要突破。

研究人员采用了几项关键技术：自主研发的双合透镜阵列光学掩模（108个单元，300 μm直径，NA 0.1），通过双光子聚合技术加工制作；提出多局部视野ADMM-Net算法（multi-local-FOV ADMM-Net），将物理模型与深度学习相结合；建立列表式RL算法（list-based RL）作为补充重建方法；使用定制荧光样品与台式显微镜对比构建训练数据集；对活体小鼠视觉皮层进行GCaMP6f钙成像实验。

微型化集成显微镜与双合透镜阵列设计

研究团队设计了特殊结构的双合透镜阵列作为光学掩模，每个单元由两个透镜组件通过双螺旋支撑结构连接而成。与单透镜相比，双合透镜在设计视野内具有更高的斯特列尔比和更低波前像差，使PSF各瓣保持空间局域性。光学掩模加工在荧光发射滤光片上，透镜间空隙镀铝减少背景光。系统数值孔径（NA）为0.1，工作距离3.9-5.5 mm，放大率0.26-0.39，单个透镜有效视野约1 mm直径，每个物点可由约4个透镜单元成像。实测横向分辨率约10 μm，轴向分辨率约60 μm，视野范围达4×6 mm2。

高效重建算法创新

研究团队开发了多局部视野ADMM-Net算法，该网络基于展开式交替方向乘子法（ADMM）框架，融合了模型驱动优化方法与数据驱动深度学习优势。关键创新在于利用PSF的稀疏性和空间不变性，将大规模矩阵运算转化为傅里叶域中的哈达玛乘积运算，使计算复杂度从O(N³)降至O(Nlog₂N)，内存需求从O(N²)降至O(N)。算法采用局部重建再融合策略，允许在有限GPU内存下处理大规模数据（1248×832×13体素）。同时开发的列表式RL算法通过建立体素-像素映射列表，将系统矩阵复杂度从O(N²)降至O(50N)，可在普通笔记本电脑上运行。

成像性能验证与对比研究

通过对荧光珠 phantom 成像验证了系统三维分辨能力，多局部视野ADMM-Net与列表式RL算法均能准确重建600 μm深度内5 μm荧光珠分布，轴向半高全宽（FWHM）最小达50 μm。在散射介质中（平均自由程50-500 μm），两种算法均能有效提取弹道光信号，重建质量与台式显微镜结果高度一致。对复杂样品（透镜组织、网格图案、线虫胚胎等）成像显示，多局部视野ADMM-Net在峰值信噪比（PSNR）和结构相似性（SSIM）上均优于单视野哈达玛网络（Hadamard-Net）、多全局视野维纳网络（Wiener-Net）等对比方法。

活体水螅与线虫成像应用

在活体水螅（hydra）GFP标记上皮细胞成像中，系统成功分辨出直径约13 μm的线虫胚胎和厚度约20 μm的水螅触手。通过列表式RL算法以4 Hz速率记录了水螅在2 mm深度范围内的三维运动，展示了在复杂生物样本中长时间动态观测能力。

活体小鼠大脑神经元钙成像突破

在清醒固定小鼠视觉皮层（V1区）实验中，系统以4 Hz速率记录层2/3神经元GCaMP6f钙活动。通过时域差分-局部均值（DLM）预处理和SD-DLM掩模加权，有效抑制散射背景。多局部视野ADMM-Net重建了1.5×2×0.3 mm3体积内约150个近细胞分辨率感兴趣区域。通过时空相关性聚类分析，大多数簇的横向FWHM为15-35 μm，轴向FWHM约100 μm，符合单个神经元特征。结合约束非负矩阵分解（CNMF-E）算法，成功解析了不同深度（50 μm、150 μm、300 μm）神经元的钙活动动态。

该研究开发的DeepInMiniscope系统成功解决了集成显微镜在大规模数据重建中的计算效率与质量问题。多局部视野ADMM-Net算法创新性地将物理模型与深度学习相结合，通过局部重建-全局融合策略和计算复杂度优化，实现了传统方法难以处理的大视野三维重建。在活体小鼠大脑神经元钙成像中达到近细胞分辨率的突破，为神经科学研究提供了强大工具。系统的可扩展性设计允许通过增加光学掩模尺寸进一步扩大视野，而无须增加设备厚度，这为未来开发更高性能的集成显微镜指明了方向。该技术不仅在神经科学领域具有应用前景，还可推广至胚胎发育、肿瘤研究等需要大视野三维观测的生物医学领域，有望成为下一代便携式高分辨率成像平台的核心技术。