光场显微飞跃AI时代！清华等首提SeReNet：毫秒级高分辨光场三维重建

编辑：LRST

细胞是生命最基本的构造单元，而它们的诸多功能以及细胞间复杂精密的交互作用，往往只有在活体动物的真实生理与病理状态下才能完整展现，难以在体外实验中真实复现。

因此，若能在活体内、原位、长时程地实现对大规模细胞群体的高速、高分辨率三维成像，将为我们深入理解脑科学、免疫调控、药物反应等复杂生命过程提供前所未有的全景视角，有望揭示生命活动中尚未被观测的关键细节，开启生物医学观测的全新时代。

近年来，随着原理层面的突破，计算成像技术逐步兴起，彻底改变了传统「所见即所得」的成像范式。

传统光学系统本质上是一种明文传输，场景信息直接映射至图像传感器，类比于香农信息论中的经典信道，其信息传递效率受限。

计算成像实现了从「光」到「算」的根本跃迁，将场景视为信源，通过前端光学编码器进行冗余调控，再利用后端重建算法还原场景。

基于场景的稀疏性、低维性与结构先验，计算成像能够实现更高信息压缩率与更强鲁棒性，在大规模神经活动、免疫反应、肿瘤微环境等复杂生物场景中展现出卓越的成像潜力。

然而，随着重建精度的不断提升，数据处理效率成为制约成像系统实用化的关键瓶颈。

尽管有监督深度神经网络可在一定程度上加速重建过程，但其泛化能力受限，尤其在面对样本分布剧烈变化的实际场景时，往往需重新训练，极大限制了其在生命科学中的通用性。

如何在保持高保真、高分辨的同时，实现对不同样本、不同噪声条件下三维结构的实时重建，依然是制约计算成像显微镜广泛应用的核心障碍。

最近，清华大学研究团队首次提出了物理驱动的自监督三维重建网络SeReNet，以毫秒级速度实现对非配对数据下的高保真、高分辨率光场三维重建，同时彻底摆脱了传统监督学习对标签数据的依赖。

论文链接：https://www.nature.com/articles/s41592-025-02698-z

SeReNet通过构建一套物理一致性驱动的优化框架，在训练过程中逐步缩小网络预测的重投影与原始采集数据之间的差异，将光学成像过程中的物理先验（如多角度几何、点扩散函数等）深度融合进网络结构。

网络的学习过程不再依赖静态的样本映射，而是从数据本身出发，在物理约束下进行结构化学习，确保模型始终忠实于原始采集所承载的真实场景。

该研究由清华大学自动化系博士后卢志、复旦大学未来信息创新学院与上海创智学院联合培养博士生金满昌共同一作完成，清华大学戴琼海教授、吴嘉敏副教授，天津大学杨敬钰教授为共同通讯作者。

SeReNet原理

光场显微镜的工作原理可被理解为一种多视角和离焦模糊的组合采样，其本质是在同一曝光中从多个视角同时获取样本的光场投影。

SeReNet受「数字重聚焦」思想启发，首先将这些视角信息基于几何方向反投影对齐到三维空间中（深度解码模块），再通过三维卷积网络融合视角间信息并去模糊重建三维体。

SeReNet原理

训练过程中，SeReNet采用真实的物理点扩散函数（PSF）将三维预测投影回4D光场观测域，并以此为监督信号优化网络参数，形成封闭的「物理感知—预测重建—光学重投影—误差反馈」闭环，从而实现无需标签数据的自监督高精度重建。

在标准分辨率（429×429×101）下，SeReNet实现了每秒约20帧的高速三维重建性能，将计算速度提升了数百倍。

在实际的活体成像中，为降低光毒性并维持长时程观测，激光强度必须受到严格限制，过强则会引发荧光漂白或蛋白失活，同时由于活体中细胞的高速运动、节律性震动以及深层组织引发的光学像差，传统方法极易出现重建失真与伪影。

SeReNet对此进行了全链路建模：对成像过程中的高斯-泊松复合噪声进行建模仿真，引入相位相关性实现多角度数字像差预矫正，并自动检测场景中剧烈运动区域进行动态抑制，使得其在多种复杂干扰下仍可输出稳定、可靠的三维结构。

为验证泛化性能，研究团队在完全仿真的极端数据集（微球、气泡、微管）上训练SeReNet，在多种真实生物样本中进行推理测试，依然表现出优异的重建效果，证明了其出色的样本迁移能力与跨场景适应性。

鼠肝损伤实验中免疫细胞和内皮细胞之间的行为记录

在真实的生命实验中，SeReNet同样展现出非凡价值。研究团队利用其对小鼠肝损伤模型进行了三维动态监测，发现肝脏缺血再灌注（LIRI）手术后，中性粒细胞数量显著上升，并观测到中性粒细胞被巨噬细胞牵引并吞噬的罕见交互行为。

在另一药物性肝损伤模型（AILF）中，SeReNet则首次清晰记录到CD63+内皮细胞与单核细胞之间的精准接触与粘附过程，提示其可能为药物诱导肝衰竭的重要信号通路。这一发现或将为肝病干预策略提供全新靶点与诊断窗口。

斑马鱼幼虫剪尾手术和对照组全身免疫细胞活动路径追踪

更为震撼的是，在长时程免疫研究中，SeReNet的算力突破令大规模时空追踪成为现实。团队对斑马鱼幼虫尾部创伤后的免疫反应进行了连续48小时成像，累计产生超过34万帧的数据。

传统方法预计重建耗时需两年，而SeReNet在一周内即完成全部数据的三维重建，堪称「科研加速器」，真正打通了实验数据获取与重建分析之间的最后一道瓶颈。

总结

这项研究不仅在方法论上提供了从光学物理到神经网络的系统融合范式，更在实用层面推动了高维生物成像技术从实验室走向临床与生命科研的关键一步。

物理模型与AI算法的深度协同，不仅赋予了计算成像前所未有的速度与准确性，也为解码复杂生命过程提供了更精密的显微「语言」。

SeReNet的诞生，不只是一次成像技术的飞跃，更是生命科学与智能算法融合创新的里程碑。

（文：新智元）