該研究由Jiashu Han、Kunzan Liu、Keith B. Isaacson、Kristina Monakhova、Linda G. Griffith及Sixian You共同完成，文章題為《System- and sample-agnostic isotroPIc three-dimensional microscopy by weakly physics-informed, domain-shift-resistant axial deblurring》，于2025年1月在線發表于《Nature Communications》。

重要發現
01核心貢獻：突破軸向分辨率瓶頸的新框架
SSAI-3D的核心貢獻是構建了一套不依賴特定系統或樣本的各向同性三維成像解決方案，解決了傳統光學顯微鏡軸向分辨率差、域轉移（訓練與測試數據分布差異）導致模型泛化差等關鍵問題。其核心思路是將各向同性分辨率恢復轉化為半盲去模糊問題，借助預訓練的自然場景去模糊網絡（NAFNet），通過自監督學習和稀疏微調，讓模型適配不同顯微鏡和生物樣本的成像特性。

02實驗過程：從數據生成到模型優化的創新設計
在技術實現上，SSAI-3D分為兩步。第一步是生成自監督訓練數據集：先對高分辨率橫向圖像進行去噪，再用25種不同尺寸（高斯核標準差3-7像素）和方向（旋轉-45°至45°）的點擴散函數（PSF）進行人工模糊，構建“模糊圖像-清晰圖像”配對數據。這種基于弱物理信息的合成方式，不依賴精確的光學模型，卻能讓網絡學習顯微鏡的普遍模糊規律，增強對未知像差和噪聲的魯棒性。

第二步是稀疏微調預訓練網絡：采用含約1.5億參數的NAFNet作為基礎（該網絡已在5萬張自然圖像上訓練，具備強大去模糊能力），通過“手術網絡”（6層MLP）篩選出對顯微鏡圖像適配最關鍵的10%層進行微調，凍結其余90%層以保留自然場景學習到的去模糊能力。“手術網絡”通過14種零射指標（如激活值均值、梯度標準差等）評估各層重要性，確保微調高效且不引發過擬合。

在真實生物樣本中，SSAI-3D適配多種顯微鏡（光片、共聚焦、寬場、非線性顯微鏡）和樣本類型：對活的人血腦屏障類器官，能清晰恢復血管內皮細胞結構；對新鮮人子宮內膜組織（含定向膠原和極性腺體，低橫向-軸向相似性），可準確還原腺體軸向細節；對小鼠胡須墊組織，通過二次諧波成像（SHG）恢復的纖維結構更清晰。

此外，在系統缺陷（如空間變化PSF、低光噪聲）測試中，SSAI-3D優勢顯著。當PSF因像差呈空間變化，或圖像含高斯與泊松噪聲時，其結構相似性（SSIM）遠高于SelfNet和CARE，甚至在軸向分辨率比橫向差7倍時，仍能保持一定恢復能力。

創新與亮點
01突破傳統方法的固有局限
傳統軸向去模糊方法存在諸多瓶頸：監督學習需配對的各向同性數據（難獲取），GAN類無監督方法易崩潰生成虛假結構，CARE等方法依賴精確PSF模型（而真實成像中PSF因像差、散射呈空間變化），且多數方法假設橫向-軸向相似（對極性組織失效）。

SSAI-3D則實現多重突破：無需精確PSF模型，通過多樣化PSF合成數據適配普遍模糊規律；不依賴橫向-軸向相似性，借助預訓練網絡的強泛化能力，在低相似性樣本（如腺體、纖維）中仍穩健；通過稀疏微調（僅修改約1500萬參數），訓練時間比現有方法縮短2.5-3.5倍，且避免全量微調導致的域轉移敏感問題。

例如，在小鼠全腦成像中，SSAI-3D恢復的神經元結構與硬件校正的mesoSPIM顯微鏡結果接近，神經元提取準確率達97%；在mitochondria成像中，其測量的DNApuncta體積與多視角共聚焦結果高度一致，為下游生物分析（如細胞結構量化、疾病相關形態變化檢測）提供可靠數據。

總結與展望
SSAI-3D通過弱物理信息自監督學習和稀疏微調，突破了傳統光學顯微鏡軸向分辨率低、模型泛化差的局限，實現了跨系統、跨樣本的各向同性三維成像。其優勢在于無需精確光學模型、不依賴樣本結構假設、訓練高效，已在多種顯微鏡和生物樣本中驗證了高穩健性。未來，隨著技術優化（如處理更強軸向分辨率差異、適配相干成像的復雜PSF），SSAI-3D有望成為神經科學、發育生物學、癌癥研究等領域的核心工具，助力揭示三維生物結構與功能的深層關聯。

DOI:10.1038/s41467-025-56078-4.