近日，深圳大学物理与光电工程学院/医学光子学创新研究院屈军乐教授团队在国际顶级期刊PNAS发表了题为 “De-scattering and image restoration with transformer-based neural network in deep tissue imaging” 的研究论文。本研究设计了一种基于Transformer架构的多注意力神经网络（DA-net），能有效抑制深层组织成像中的光散射效应，显著提升了双光子激发荧光显微镜（TPEF）的成像深度。物理与光电工程学院博士生许祥丛为论文独立第一作者，教授屈军乐和副教授李佳为该论文的通讯作者，清华大学教授孔令杰为共同通讯作者，深圳大学为第一完成单位和通讯作者单位。
在生命科学研究中，深层组织成像对观测活体生物结构（如脑内血管、神经元和胶质细胞）及其动态生理过程具有至关重要的意义，也为相关疾病机制研究提供了关键支持。然而，光散射现象普遍存在，严重制约成像质量与深度，成为该领域面临的核心挑战。双光子激发荧光显微镜凭借其高空间分辨率与低光漂白特性，在神经科学、肿瘤生物学等活体成像研究中得到广泛应用，为多种生物结构和功能研究提供了重要见解。但由于生物组织内不同组分的折射率存在差异，激发光与发射光往往发生强烈散射，导致成像穿透深度受限、信号背景比下降，深层图像质量显著恶化。尤其在超过 400 μm的深度后，对脑皮层深层血管、小胶质细胞等结构的成像尤为困难。因此，如何有效消除光散射、恢复活体深层组织的高质量双光子图像，已成为推动TPEF 显微技术发展的关键问题。本研究致力于开发一种无需复杂硬件改造、也不依赖大量真实配对数据的去散射算法，以突破现有深层成像的局限，为该方向提供新的解决路径。
图1.DA-net的工作原理
本研究开发的DA-net首先构建了一个模拟散射模型，生成带有散射的图像及其对应的无散射图像作为真实值，进而利用这些数据对训练网络，使其能够学习从散射图像到清晰图像的端到端映射，无需采集大量不同深度下的实验数据。该方法在HeLa细胞脂滴、活体鼠脑血管结构及星形胶质细胞等多个样本的深层TPEF图像中均得到有效验证。与原始TPEF图像和其他基于深度学习的方法相比，DA-net显著抑制了散射效应，提升了图像质量，在归一化均方根误差、峰值信噪比、结构相似性和信背比等多项指标上均表现出更优的准度。
本工作的创新点主要包括：
1、开发了一种新方法，能够将TPEF显微镜的离体成像深度显著提升至1300 μm、活体成像深度提升至950 μm（血管）与500 μm（星形胶质细胞）。该方法通过协同利用通道注意力与自注意力机制，增强有效特征提取与长程依赖建模能力；同时通过设计多成分损失函数，有效抑制图像伪影生成，确保组织结构的真实性与形态完整性。有望为深层生物结构（如与脑疾病相关的胶质细胞动态观测）研究提供一种非侵入式成像工具。
2、首次采用动态范围的散射系数（而非固定值）来模拟活体组织的异质性，从而生成更贴近真实生物环境的训练数据。可以避免对大量高质量真实配对数据的依赖，有效降低了数据获取成本。此外，该方法可适用于较低激光功率（15-30 mW）下的成像，显著减少对活体样本的光损伤，更适合长期动态观测研究。
3、DA-net不仅为深度学习增强计算显微学提供了理论依据与算法框架，还展现出优异的跨模态推广潜力。作为一种数据驱动的技术，该方法可广泛应用于其他受散射干扰的成像模式，例如在高斯光束三光子显微镜和贝塞尔光束双光子显微镜中，DA-net可以有效去散射，并揭示了更精细的组织结构。
图2. DA-net对深层活体鼠脑血管TPEF图像的去散射和复原结果
图3. DA-net对深层活体鼠脑胶质细胞TPEF图像的去散射和复原结果
DA-net为解决活体深层成像中的散射挑战、突破成像深度限制提供了一种创新的计算成像解决方案，为实现活体深层组织中清晰结构的可靠获取提供了有力的技术支撑，为基于TPEF显微图像的深入分析和生物医学研究提供了精确的数据基础。
本研究得到了科技部国家重点研发计划，国家自然科学基金重大仪器、创新群体和重点项目等的资助。
论文信息：
X. Xu, R. Zhang, C. Luo, C. Zhang, Y. Li, D. Lin, B. Yu, L. Liu, X. Weng, Y. Wang, L. Kong, J. Li, and J. Qu. (2025).De-scattering and image restoration with transformer-based neural network in deep tissue imaging.PNAS. DOI: 10.1073/pnas.2503576122
论文链接：https://www.pnas.org/doi/10.1073/pnas.2503576122
