Nat Methods 2025 | 物理驱动的超高速高保真光场显微重建技术5

清华大学戴琼海院士团队长期致力于介观活体生物成像领域的研究，在2013年国家自然科学基金委重大仪器项目的支持下，成功研制了国际首台亿像素宽视场介观荧光显微镜(Real-time, Ultra-large-Scale, High-resolution, RUSH1)，被誉为介观显微成像领域的先驱。在过去的7年时间里，进一步通过计算成像原理创新，以扫描光场成像原理实现非相干光场的超精细四维感知与重构2，提出了数字自适应光学架构，通过记录高维成像过程与自适应重构，打破传统成像为人眼设计“所见即所得”所引起的固有桎梏，先后突破了光学像差3、三维运动伪影4、背景荧光5、光子噪声6-8、组织散射9等活体成像壁垒，并在同一架构上集成，研制了新一代介观活体显微仪器RUSH3D10，被誉为介观成像的一次飞跃11，入选“两院院士评选2024年中国十大科技进展新闻”。然而，成像性能的快速提升也对大规模数据处理提出了更高的要求12，有监督深度神经网络能够加速三维重建过程，却面临泛化性难题，难以广泛适用于复杂环境下的各类样本。如何能够既“真”又“快”，让仪器使用者能够实时获取高保真的高分辨三维信息，而无需重新训练新的神经网络，仍然是阻碍计算成像显微镜广泛使用的“拦路虎”。

2025年5月12日，清华大学戴琼海、吴嘉敏，天津大学杨敬钰作为共同通讯在Nature Methods上发表文章Physics-driven self-supervised learning for fast high-resolution robust 3D reconstruction of light-field microscopy. ˙该研究针对这一悬而未决的难题，研发了物理驱动的自监督三维重建网络SeReNet，能够以毫秒级实时处理的速度实现高保真高分辨率的光场三维重建，同时无需配对的训练数据。SeReNet通过逐渐缩小网络预测的重投影和原始采集之间的距离，将成像先验完全集成在网络训练中，从而引导网络依据原始采集进行重建推理，而非依据端到端的数据映射过度生成细节。研究团队针对性地考虑了实际活体观测场景中常见的强噪声、样本非刚性运动和光学像差等问题，使得SeReNet仅使用预训练网络就能被广泛应用于常见的所有样本，有效对抗像差、噪声等复杂成像环境干扰。团队在仿真测试和斑马鱼胚胎发育、斑马鱼幼虫免疫反应、阿米巴虫群体交互、线虫神经记录和小鼠肝损伤等多种模式动物实验中，验证了SeReNet高速高保真的三维重建能力，并在国际上首次实现了连续数日时程的超长时程亚细胞分辨率高速三维多色成像与实时三维重建。

图1 SeReNet