IF36.1｜环形反卷积：利用旋转对称性高效校正空间变化像差

仅需一张校准图，即可实现全场亚细胞级各向同性分辨率。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

显微镜成像中，像差校正通常依赖反卷积，但传统反卷积假设点扩散函数（PSF）在整个视场中不变，即线性空间不变（LSI）系统。然而实际光学系统，尤其是大视场或微型化系统，PSF 随视场位置变化，导致边缘像质下降。已有空间变化去模糊方法需要大量 PSF 校准和计算，难以实用。深度学习方法虽快但泛化性差。本文关注旋转对称成像系统，这类系统在光学设计中普遍存在，其 PSF 仅随离轴距离变化，同一半径上形状相同仅旋转角度不同，即线性旋转不变性（LRI）。利用这一对称性，有望实现高效且准确的空间变化去模糊。

科学问题

卡在哪里： 现有空间变化去模糊方法要么需要采集数百上千个 PSF，要么计算复杂度极高（如逐像素反卷积需百万次 PSF 测量和数百小时计算），要么基于启发式近似，缺乏严格理论。深度学习方法则依赖训练数据，泛化性差。因此，缺乏一种仅需少量校准、计算高效且理论严格的空间变化去模糊方法。

本文要回答： 本文旨在利用旋转对称性，开发一种仅需单张校准图像、计算高效且理论严格的空间变化去模糊框架，并验证其在多种显微镜模态下的性能。

技术路线

作者主要用了：Seidel 像差拟合、环形卷积、环形反卷积、DeepRD、片层反卷积。

作者首先利用旋转对称性，将空间变化 PSF 建模为仅随半径变化的函数，即线性旋转不变性（LRI）。基于此，提出环形卷积作为精确前向模型，其计算复杂度为 O(N^3 log N)，远低于一般空间变化模型的 O(N^4)。校准仅需一张随机分布点源的图像，通过拟合五个初级 Seidel 像差系数即可生成任意半径处的 PSF。反卷积采用迭代最小二乘求解，即环形反卷积。此外，作者还开发了基于 Seidel 系数的深度网络 DeepRD，作为快速近似替代。对于光片显微镜的横向对称性，作者推导了片层卷积与片层反卷积。整个流程从校准到去模糊，仅需单张校准图，计算高效。

图 1　Fig. 1。图1展示了旋转对称系统的 PSF 特性：同一半径上 PSF 形状相同，仅旋转角度不同（LRI）。RDM 流程包括单张校准图拟合 Seidel 系数，然后生成径向 PSF 线，用于环形反卷积或 DeepRD。该图概括了方法的核心思想与步骤。

核心亮点

亮点 1｜环形卷积理论精确且高效

作者推导了旋转对称系统下的精确前向模型——环形卷积，并证明其与逐像素叠加 PSF 的“真实模糊”等价，但计算速度提升近四个数量级。模拟中，环形卷积的误差不随像差强度增加，而标准卷积误差随像差线性增长。对于 512×512 图像，环形卷积仅需不到一秒，而真实模糊方法需数百小时。这为高效且准确的空间变化去模糊奠定了理论基础。

图 2　Fig. 2。图2比较了 Miniscope 上标准反卷积、U-Net、环形反卷积和 DeepRD 的结果。环形反卷积和 DeepRD 在视场边缘清晰分辨分辨率靶元素，而其他方法模糊。放大图显示环形反卷积和 DeepRD 恢复的细节更丰富，且 DeepRD 去噪效果更好。

亮点 2｜单张校准图即可拟合 Seidel 系数

作者提出从单张随机分布点源的图像中拟合五个初级 Seidel 像差系数的方法。模拟显示，即使在 -20 dB 信噪比下，拟合误差仍可接受。该过程相当于对 PSF 去噪，且 Seidel 系数与视场位置无关，比 Zernike 系数更适合描述旋转对称系统。这大幅简化了校准流程，无需精确移动点源至特定位置。

图 3　Fig. 3。图3展示高 NA 荧光显微镜下 BPAE 细胞的双色成像。标准反卷积在中心表现尚可，但在角落模糊；环形反卷积在角落仍能分辨肌动蛋白丝和线粒体。箭头指示环形反卷积揭示的亚微米特征，证明其全场各向同性分辨率。

亮点 3｜微型显微镜中恢复边缘细节

在 UCLA Miniscope 上，环形反卷积和 DeepRD 在视场边缘和角落显著优于标准反卷积和 U-Net。对于 USAF 分辨率靶、兔肝组织和活体缓步动物视频，环形反卷积和 DeepRD 能清晰分辨边缘的微小特征，而标准反卷积在边缘产生噪声和低对比度。DeepRD 还表现出更好的去噪性能，但一致性略差。

图 4　Fig. 4。图4对比多模光纤内窥镜数据上标准反卷积、SVRL 和环形反卷积。环形反卷积在角落消除珠子椭圆畸变并分辨珠子簇，在神经元图像中收紧树突棘。蓝色、绿色和黄色插图分别展示中心、离轴和角落的细节差异。

亮点 4｜高 NA 多色荧光显微镜全场亚细胞分辨率

在 100×/1.4 NA 物镜下，对 BPAE 细胞的肌动蛋白和线粒体进行双色成像。环形反卷积在视场角落仍能分辨亚细胞结构，而标准反卷积在边缘变得模糊。通过分别对每个颜色通道校准，RDM 还能校正色差。这证明 RDM 可扩展高 NA 系统的可用视场，减少拼接需求。

图 5　Fig. 5。图5展示模拟结果：环形卷积与真实模糊的误差图显示，环形卷积在强像差下仍准确，而标准卷积误差大。前向模型 MSE 随像差强度变化，环形卷积保持低误差。运行时间对比显示环形卷积比真实模糊快近四个数量级。Seidel 拟合误差随噪声增加仍可接受。

亮点 5｜多模光纤内窥镜中超越 SVRL

在点扫描多模光纤微内窥镜数据上，环形反卷积仅需 1 张校准图，而 SVRL 需要 441 张，且环形反卷积在角落能消除珠子椭圆畸变并分辨珠子簇，在神经元图像中能收紧树突棘。这表明 RDM 在极端空间变化系统中具有优势，且校准负担极低。

亮点 6｜光片显微镜的片层反卷积扩展

针对光片荧光显微镜的横向对称性，作者推导了片层卷积与片层反卷积。在 512×512×160 体数据上，片层反卷积仅需约 7 分钟，而一般空间变化方法需数小时。实验显示，片层反卷积在光片束腰外仍能保持轴向分辨率，轴向 FWHM 平均减小 300 nm，标准差减小 200 nm，从而扩展了光片显微镜的可用视场。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： Seidel 像差拟合、环形卷积、环形反卷积、DeepRD、片层反卷积
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/apsk14/rdmpy
• 谁该点开原文： 从事显微成像、计算光学、生物图像分析的研究人员，尤其是需要处理大视场或微型化系统数据的从业者。

带走一句

利用系统对称性（旋转或横向）可以大幅降低空间变化去模糊的校准和计算成本，同时保持理论严格性。做分析的人应关注成像系统的对称性，并考虑将物理模型与深度学习结合以获得高效且可解释的解决方案。