多模态自适应显微镜的实时像差校正：物理信息嵌入的跨尺度成像架构

活体成像长期面临一个核心矛盾：高数值孔径物镜带来的分辨率提升，会被生物组织的不均匀折射率所抵消，导致成像深度受限、像质退化。传统自适应光学（AO）方案虽然能够补偿像差，但波前传感器方案光路复杂、无传感器方案迭代耗时，且绝大多数方案被绑定在特定显微镜模态上，难以在多模态平台间迁移。

近年来出现的机器学习辅助自适应光学（MLAO）方法，通过将物理成像模型嵌入神经网络架构，在双光子、三光子及宽场结构光照明显微镜（SIM）上实现了跨模态部署，为实时像差校正与跨尺度成像提供了新的工程范式。

核心架构：物理信息驱动的控制回路

MLAO 系统的控制回路包含三个关键环节：像差引入、估计与校正。与传统无传感器 AO 不同，MLAO 采用预定义的偏置像差（bias aberration）主动调制波前，通过采集两张具有相反符号偏置的图像，计算得到 "伪点扩散函数"（pseudo-PSF）。这一预处理步骤的关键价值在于：利用傅里叶域除法运算，将样本结构信息从像差信息中分离，使后续神经网络只需处理与像差相关的信号，而无需学习复杂的样本形态特征。

伪 PSF 的计算公式可表达为：对两张偏置图像进行二维傅里叶变换后相除，再逆变换回空间域。提取中心 32×32 像素区域作为网络输入，这一尺寸既包含了绝大部分像差信息，又保证了计算效率。

校正执行层采用可变形镜（DM）或空间光调制器（SLM）作为波前调制元件。DM 响应速度快（毫秒级）、行程适中，适合活体成像；SLM 相位调制精度高，但刷新速率相对较低，更适合固定样本的高精度校正。

轻量 CNN 设计：可解释性与跨模态迁移

MLAO 的神经网络架构采用定制化卷积设计，其卷积层被刻意安排以探测不同空间尺度的特征。从第一层（单像素级）到第五层（大尺度结构），网络逐层提取与像差物理效应对应的信息。这种设计使得网络权重不再是一个 "黑箱"，而是可以与像差对成像过程的空间尺度效应建立对应关系。

相比传统深度学习方法动辄数百万参数，MLAO 的 CNN 参数量减少了数个数量级。这种轻量化设计源于伪 PSF 预处理 —— 通过前置步骤移除样本结构的影响，网络只需专注于像差估计这一核心任务。

跨模态迁移的实现方式简洁而有效：针对不同显微镜模态（双光子、三光子、宽场），仅需使用对应成像模型重新生成合成训练数据，网络架构与训练流程保持不变。合成数据的生成过程将样本结构与点扩散函数进行卷积，并加入噪声、荧光波动等实验不确定因素，确保模型对真实场景的鲁棒性。

双模策略：astX 与 XN 的取舍

MLAO 提供两种偏置策略：astX（仅使用像散偏置）和 XN（使用全部 N 个待校正模式的偏置）。

astX MLAO 仅需 2 张（ast2）或 4 张（ast4）图像即可完成一次像差估计，在像差较大时收敛速度显著快于传统方法。然而，由于使用的图像信息较少，其最终校正精度通常低于 XN 方案，且在低信噪比（SNR）或存在结构噪声的场景下表现不佳。

XN MLAO（如 2N 或 4N 方案）需要更多的输入图像，但收敛后的残余像差更低，可靠性更高（误差范围更小）。对于荧光波动剧烈的钙成像等场景，XN 方案对整体荧光强度变化的依赖较小，表现更为稳定。

工程实践中，建议采用混合策略：初始阶段使用 astX 快速降低大像差，后续迭代切换至 XN 进行精细校正。

活体成像的工程参数

在三光子活体脑成像场景中，MLAO 展示了其在极端条件下的可用性。在 450μm 深度、样本功率 32mW 的条件下，系统使用单帧图像（无平均）作为输入，成功校正了 GFP 标记细胞的像差。对于 GCaMP 神经活动的功能成像，即使在 250μm 深度、功率降至 19mW、存在显著荧光波动的条件下，ast4 MLAO 仍能有效提升图像质量。

关键性能指标包括：

• 采集效率：ast2 仅需 2 张图像，传统 2N+1 方法需 11 张（N=5 时）
• 动态范围：MLAO 在大像差（RMS>2.12 rad）场景下仍能有效校正，而传统方法完全失效
• 鲁棒性：对样本运动、低 SNR、荧光波动等干扰因素具有显著容忍度

宽场 3D-SIM 的应用进一步验证了架构的通用性。在该模态下，传统强度指标不再适用，MLAO 采用基于傅里叶域的锐度指标进行优化。校正后的超分辨重建图像显示，z 轴分辨率显著提升，像差引起的重建伪影被有效抑制。

部署要点与风险考量

训练数据合成：无需采集大量实验图像，通过物理成像模型生成合成数据即可完成训练。数据增强需覆盖样本结构变化、噪声水平、像差幅度等维度。

偏置幅度选择：传统方法通常采用 ±1 rad 的偏置幅度。MLAO 由于采用端到端学习，对偏置幅度的敏感度较低，但建议在训练数据中覆盖目标像差范围。

迭代策略：单次校正即可显著改善像差，但复杂场景下建议 2-5 次迭代。迭代次数与样本稳定性、像差动态变化速度相关。

局限与风险：

1. 荧光波动剧烈时，依赖整体强度变化的方法（如 XN MLAO）可能出现性能下降
2. 结构噪声（如固定图案噪声）可能干扰伪 PSF 计算，需在前置处理中加入滤波
3. 不同显微镜的光学参数（数值孔径、波长、放大倍率）变化时，需重新生成训练数据

结语

MLAO 代表了自适应光学从 "定制化" 向 "通用化" 演进的重要一步。通过将物理成像知识嵌入神经网络架构，系统在保证校正精度的同时，实现了跨模态部署与轻量化计算。对于需要同时支持双光子、三光子、宽场 SIM 等多种模态的成像平台，这一架构提供了可复用的技术基础。

未来发展方向包括：将 MLAO 与计算自适应光学（CAO）结合，实现硬件校正与数字后处理的互补；探索在线学习机制，使系统能够根据实时成像数据自适应调整；以及将架构扩展至光片显微镜、受激发射损耗（STED）等更多模态。

参考来源

• Hu Q, et al. "Universal adaptive optics for microscopy through embedded neural network control." Light: Science & Applications, 2024. (PMC10641083)
• Illinois Biophotonics Imaging Laboratory. "Aberration correction and adaptive optics." University of Illinois at Urbana-Champaign.

systems