光学像差是荧光显微镜观察厚样本时的一大难题，它会降低图像的信号、对比度和分辨率。为解决这一问题，研究团队提出了一种基于深度学习的像差补偿策略——DeAbe。该方法通过对样本浅层近衍射极限图像引入合成像差，模拟深层像差图像，再训练神经网络逆转像差影响，无需减慢成像速度、增加照射剂量或添加额外光学元件，效果可与自适应光学技术媲美，且已在共聚焦、光片、多光子和超分辨显微镜等多种成像技术中验证，能改善图像质量并提升下游定量分析能力。

该研究由Min Guo、Yicong Wu、Chad M. Hobson 等多位学者合作完成，文章题为 “Deep learning-based aberration compensation improves contrast and resolution in fluorescence microscopy”，于 2025年1月在线发表于《Nature Communications》。

重要发现
01DeAbe方法的核心原理 
DeAbe的核心思路是利用样本“浅层”图像作为高质量参考，解决像差补偿的训练数据问题。在3D荧光成像中，样本浅层（靠近物镜一侧）的图像通常受像差影响小，接近衍射极限，可作为“真值”。研究人员基于成像物理原理，对这些浅层图像引入合成像差，使其模拟深层受像差严重影响的图像，从而构建“像差图像-真值图像”的训练对，再用3DRCAN神经网络学习逆转像差的能力，最终让训练好的模型为未知数据消除深度相关像差。

02 模拟与实验验证
在模拟实验中，研究团队构建了包含点、线、球等结构的3D幻影，添加随机像差和噪声后，对比DeAbe与传统方法的效果。结果显示，DeAbe在结构相似性指数（SSIM）和峰值信噪比（PSNR）上均优于盲去卷积、基于理想点扩散函数（PSF）的Richardson-Lucy去卷积等方法，尤其在像差幅度匹配时表现最佳，即使像差的均方根波前畸变超过4弧度，仍能有效改善图像。

实验验证中，团队将DeAbe与自适应光学（AO）对比。在鬼笔环肽染色的PtK2细胞成像中，引入的像差掩盖了细胞边缘的肌动蛋白网等精细结构，而DeAbe能恢复这些结构，对比度和分辨率接近无像差真值；在固定的5天龄斑马鱼胚胎（表达GFP膜标记）中，DeAbe与AO均能改善40-140μm深度的图像，侧向和轴向分辨率提升显著，部分场景中DeAbe的视觉清晰度甚至优于AO，可能源于AO校正的不完全性。

03 多模态成像中的应用
DeAbe在多种显微镜技术中展现出广泛适用性。在光片显微镜成像的活体秀丽隐杆线虫胚胎中，原始数据随深度增加对比度和分辨率下降，难以分辨亚核结构，而DeAbe恢复了这些结构，效果优于会放大噪声的Richardson-Lucy去卷积；在转盘共聚焦显微镜成像的成年秀丽隐杆线虫中，DeAbe显著提升了NeuroPAL转基因标记的核信号信噪比，有助于神经元识别；在超分辨瞬时结构光照明显微镜（iSIM）成像的NK-92细胞中，DeAbe结合去卷积能更好分辨膜结合糖蛋白簇等精细结构；在双光子显微镜成像的小鼠心肌组织中，DeAbe恢复了150μm深度内的线粒体边界，而传统去卷积仅放大噪声。

此外，DeAbe还能提升定量分析能力。在iDISCO透明化的E11.5小鼠胚胎中，它改善了血管定向分析的精度，使密集交叉血管区域的体素级方向量化更清晰；在秀丽隐杆线虫胚胎的4D成像中，结合去卷积和各向同性增强网络，DeAbe助力膜和核的自动分割，细胞计数更接近手动真值，还能追踪神经突发育动态。

创新与亮点
01突破传统技术局限 
传统自适应光学（AO）虽能补偿像差，但需测量像差波前并施加校正波前，这会减慢成像速度、增加样本照射剂量，且设备复杂、成本高，仅少数实验室能使用。而DeAbe完全通过计算实现像差补偿，无需额外硬件，不影响成像的时间分辨率，尤其适用于动态样本（如快速发育的胚胎），解决了AO在速度和成本上的痛点。

02 独特的技术路径
DeAbe创新性地利用样本自身的浅层高质量图像生成训练数据，无需依赖AO获取真值。通过合成像差模拟深层图像退化，让神经网络学习样本特异性先验，这一“内容感知”策略使其优于依赖已知像差PSF的传统去卷积方法，能更好适应复杂生物样本的像差特性。

03 广泛的应用价值
DeAbe适用于共聚焦、光片、多光子、超分辨等多种显微镜，覆盖从微米级细胞到毫米级胚胎的样本，既能提升图像的定性观察效果（如清晰显示神经突细节），又能增强定量分析能力（如血管定向、细胞分割）。它让缺乏高端AO设备的实验室也能获得高质量成像数据，推动生命科学研究中厚样本成像的普及和深入。

总结与展望
DeAbe通过深度学习实现光学像差的计算补偿，无需额外硬件，不牺牲成像速度和样本安全性，效果媲美自适应光学，在多种显微镜和样本中验证了其提升图像质量和定量分析的能力。未来，研究可扩展至横向变化像差的校正，探索全合成数据训练的通用性，结合更多超分辨技术，进一步提升对异质样本的适应力，有望成为生命科学成像的常规工具，助力揭示厚样本深处的生物结构与动态机制。

论文信息
声明：本文仅用作学术目的。
Guo M, Wu Y, Hobson CM, Su Y, Qian S, Krueger E, Christensen R, Kroeschell G, Bui J, Chaw M, Zhang L, Liu J, Hou X, Han X, Lu Z, Ma X, Zhovmer A, Combs C, Moyle M, Yemini E, Liu H, Liu Z, Benedetto A, La Riviere P, Colón-Ramos D, Shroff H. Deep learning-based aberration compensation improves contrast and resolution in fluorescence microscopy. bioRxiv [Preprint]. 2024 Jul 15:2023.10.15.562439. doi: 10.1101/2023.10.15.562439. Update in: Nat Commun. 2025 Jan 2;16(1):313. 

DOI: 10.1038/s41467-024-55267-x.