深度学习助力NIR-II荧光体积显微成像：动态3D血管成像新突破

Deep learning-enhanced NIR-II fluorescence volumetric microscopy for dynamic 3D vascular imaging

Shiyi Peng, Yuhuang Zhang, Xuanjie Mou, Tianxiang Wu, Mingxi Zhang, and Jun Qian

Journal of Innovative Optical Health Sciences Vol. 18, No. 03, 2550013 (2025)

https://doi.org/10.1142/S1793545825500130

在生物医学光子学领域，如何在深层组织中实现动态生物过程的三维（3D）可视化一直是一个极具挑战性的问题。传统的成像技术往往在时间分辨率和成像深度之间难以兼顾。然而，最近的一项研究为我们带来了新的希望。浙江大学的钱骏教授团队在《Journal of Innovative Optical Health Sciences》上发表了一篇题为“Deep learning-enhanced NIR-II fluorescence volumetric microscopy for dynamic 3D vascular imaging”的论文，介绍了一种结合深度学习的近红外二区（NIR-II）荧光体积显微成像技术，能够在活体小鼠脑血管中实现快速3D成像，为深层组织动态血管成像提供了一种创新的解决方案。

技术原理与创新

该研究的核心在于将电动可调谐透镜（ETL）与深度学习技术相结合，实现了NIR-II荧光体积显微成像。NIR-II荧光成像因其在生物组织中的低散射和适度吸收特性，能够实现比传统可见光和近红外一区（NIR-I）成像更深的成像深度和更高的成像清晰度。然而，传统的NIR-II荧光宽场显微镜在获取3D数据时需要逐层扫描，限制了成像速度。为了解决这一问题，研究团队引入了ETL，通过快速调整焦平面，能够在短时间内获取不同深度的图像。同时，为了进一步提高图像质量和3D重建的连续性，研究团队开发了两种专门的神经网络：尺度循环网络（SRN）用于图像增强，以及脑血管插值（CVI）网络，能够实现16倍的轴向超采样。这种结合光学工程和人工智能的方法，不仅提高了成像速度，还显著提升了图像的分辨率和信噪比。

实验结果与应用

在实验中，研究团队利用这种新型成像系统对活体小鼠的脑血管进行了成像。通过在小鼠尾静脉注射PbS/CdS量子点（QDs），并在其脑部制作颅窗，研究团队能够在240毫秒内获取覆盖200微米深度范围的6个不同轴向位置的图像。经过SRN和CVI网络处理后，这些图像不仅在空间分辨率上得到了显著提升，还能够实现动态3D血管重建，成像速度达到每秒4.2帧。这一技术使得研究者能够观察到不同深度的毛细血管中荧光物质的流动，并通过时间堆叠图像计算出不同深度的血流速度。这种快速体积成像能力对于分析动态生物过程具有重要意义，尤其是在深层组织的血管成像领域。

技术优势与未来展望

这项研究不仅在技术上取得了创新，更在生物医学应用中展现出巨大潜力。与传统的3D成像技术相比，如共聚焦和多光子荧光显微镜，该技术无需逐点扫描，大大提高了成像速度。同时，与光片显微镜相比，该技术的光学系统复杂度更低，且无需对样本进行光学透明化处理。此外，深度学习技术的应用进一步提升了图像质量和3D重建的连续性，使得该技术在活体成像中具有独特的优势。未来，这种技术有望在神经科学、肿瘤血管生成以及药物递送等多个领域得到广泛应用，为生物医学研究提供更强大的工具。

图1：NIR-II荧光体积成像平台的系统架构和工作流程示意图。该系统通过ETL实现快速焦平面调整，并结合深度学习网络进行图像增强和轴向插值，从而实现高质量的3D动态成像。

结语

这项研究为我们展示了深度学习与生物医学光子学结合的巨大潜力。他们的创新性工作不仅在技术上取得了突破，更为深层组织的动态生物过程研究提供了一种全新的视角。随着技术的不断发展和完善，我们有理由相信，这种结合光学工程和人工智能的成像技术将在未来的生物医学研究中发挥越来越重要的作用，为人类健康事业做出更大的贡献。

通讯作者简介

钱骏，浙江大学光电科学与工程学院的教授，其研究研究方向包括：生物医学光子学、近红外二/三区荧光成像、高阶非线性光学显微成像、光学诊疗。

更多详情见https://person.zju.edu.cn/qianjun#0