數(shù)百年來，顯微鏡的清晰度和放大率最終受限于其光學鏡片的物理特性。顯微鏡制造商通過制造越來越復雜、越來越昂貴的鏡頭元件堆棧來突破這些限制。盡管如此，科學家們仍不得不在高分辨率和小視場與低分辨率和大視場之間做出選擇。

2013 年，加州理工學院的一個工程師團隊推出了一種名為 FPM（傅立葉分層顯微鏡）的顯微鏡技術。該技術將傳統(tǒng)顯微鏡的傳感技術與計算機算法結合在一起，以新的方式處理檢測到的信息，從而創(chuàng)建覆蓋更大區(qū)域的更深、更清晰的圖像。FPM 能夠在使用相對廉價的設備保持大視野的同時獲取高分辨率的樣品圖像，因此被廣泛采用。

現(xiàn)在，同一實驗室又開發(fā)出了一種新方法，它在獲取無模糊或失真圖像的能力上優(yōu)于 FPM，甚至可以減少測量次數(shù)。這項新技術在《自然·通訊》（Nature Communications）雜志上發(fā)表的一篇論文中進行了描述，它將推動生物醫(yī)學成像、數(shù)字病理學和藥物篩選等領域的進步。

這一新方法被命名為APIC（Angular Ptychographic Imaging with Closed-form method），它具有FPM的所有優(yōu)點，但卻沒有FPM的最大弱點——即為了得到最終圖像，F(xiàn)PM算法依賴于從一個或幾個最佳猜測開始，然后每次調整一點來得到其 "最佳 "解決方案，而這并不一定符合原始圖像的真實情況。

圖片:new-computational-micr.jpg

APIC的概念以及APIC與傅里葉鏡片顯微鏡（FPM）重建過程的比較。

在電氣工程、生物工程和醫(yī)學工程 Thomas G. Myers 教授以及傳統(tǒng)醫(yī)學研究所研究員Changhuei Yang的領導下，加州理工學院團隊意識到，有可能消除算法的這種反復性。

APIC 不是依靠反復試驗來找到解決方案，而是求解一個線性方程，得出像差或顯微鏡光學系統(tǒng)產生的畸變的細節(jié)。一旦知道了像差，系統(tǒng)就能對其進行校正，基本上就能像理想狀態(tài)一樣運行，并產生覆蓋大視場的清晰圖像。

論文的共同第一作者Ruizhi Cao曾是楊振寧實驗室的研究生，現(xiàn)在是加州大學伯克利分校的博士后，他說："我們以閉合形式得出了高分辨率復雜場的解決方案，因為我們現(xiàn)在對顯微鏡捕捉到了什么、我們已經知道了什么以及我們需要真正弄清楚什么有了更深入的了解，所以我們不需要任何迭代"。通過這種方式，我們基本上可以保證我們看到的是一個樣本真實的最終細節(jié)。

與 FPM 一樣，這種新方法不僅能測量顯微鏡所見光線的強度，還能測量光線的一個重要屬性，即 "相位"，它與光線傳播的距離有關。人眼無法檢測到這一特性，但其中包含的信息對校正像差非常有用。

APIC 論文的共同第一作者Cheng Shen解釋說，F(xiàn)PM 正是依靠試錯法來求解這種相位信息，他也是在楊的實驗室完成這項工作的，現(xiàn)在是蘋果公司的計算機視覺算法工程師。

Shen說：“我們已經證明，我們的方法可以提供分析解決方案，而且更加簡單明了。它更快、更準確，并能利用對光學系統(tǒng)的深刻理解。”

除了消除相位求解算法的迭代性質外，新技術還能讓研究人員在大視野范圍內收集清晰圖像，而無需反復重新聚焦顯微鏡。使用 FPM 時，如果樣品的高度從一個部分到另一個部分哪怕只有幾十微米的變化，使用顯微鏡的人就必須重新對焦才能使算法發(fā)揮作用。

由于這些計算顯微鏡技術經常需要將 100 多張低分辨率圖像拼接在一起，以拼湊出更大的視場，這意味著 APIC 可以大大加快處理速度，并在許多步驟中避免可能出現(xiàn)的人為錯誤。

Cao 說："我們開發(fā)了一個框架來校正像差，同時提高分辨率。這兩項功能有可能為更廣泛的成像系統(tǒng)帶來豐碩成果。

Yang說，APIC的開發(fā)對于他的實驗室目前正在進行的優(yōu)化人工智能（AI）應用圖像數(shù)據(jù)輸入的更廣泛工作至關重要。

Yang說："最近，我的實驗室證明，人工智能在預測肺癌患者簡單組織病理切片的轉移性進展方面，可以勝過病理專家。這種預測能力完全依賴于獲得均勻對焦和高質量的顯微鏡圖像，而APIC非常適合這方面的工作"。

相關鏈接：https://phys.org/news/2024-06-microscopy-technique-route-crisp-images.html

論文鏈接：https://dx.doi.org/10.1038/s41467-024-49126-y