无需高价设备，靠算法复原大脑生物图像

“要获得更清晰的生物体内图像就必须依赖昂贵设备”这一公式被打破了。研究人员开发出一种无需光学测量设备、即可将大脑内部模糊图像清晰复原的技术。这项技术通过物理模型驱动的人工智能（AI）计算算法实现。

韩国科学技术院（KAIST）21日表示，电气及电子工程系 Kang Ikseong 教授与加州大学伯克利分校（UC Berkeley） Na Ji 教授研究团队共同开发出一项技术，能够利用神经场模型（neural fields）精确校正用于观察生物体内部的显微图像畸变。

神经场模型是一种神经网络技术，可以将三维空间结构连续表达出来，同时复原图像与形态。

联合研究团队在本研究中使用的显微镜是“两光子荧光显微镜”。该设备同时利用两束弱光，只让生物体深处的特定位置选择性发光，从而得以观测生物组织内部。

然而，在光线穿过厚组织的过程中，会发生弯曲和散射的缺点。就像水下物体变形导致图像变得模糊的现象一样。这种现象被称为光学像差（optical aberration，光线发生畸变导致焦点变模糊）。

以往为了校正光线畸变，“波前传感器（wavefront sensor，用于测量光线弯曲程度的装置）”等昂贵硬件设备是必不可少的。

与此不同的是，联合研究团队利用已经拍摄完成的图像数据，反向计算光线是如何发生畸变，并据此进行校正，开发出了相应算法。就像用 Photoshop 等软件把模糊照片恢复成原貌一样，无需额外设备即可重现清晰图像。

联合研究团队开发技术的核心，是基于神经场模型的机器学习算法。该算法追踪光在传播过程中产生畸变的全过程，不仅同时校正生物组织的光学像差，还可一并补偿生物体的微小运动以及显微镜的机械误差，从而实现一体化校正技术。

联合研究团队利用该技术，在没有任何额外光学测量与校正设备的情况下，成功从生物组织深处稳定获取高分辨率、高对比度图像。可以说，研究团队打破了“要获得高质量图像必须依赖昂贵设备”的既有认知，转而通过软件（算法）来解决问题。

预计这将减轻配备高价科研设备的负担，使更多研究者有机会开展精细的大脑观测研究。

Kang 教授表示：“本次研究的意义在于，将光学与人工智能技术相结合，打开了一条更准确观测生物体内部的新路径。联合研究团队今后计划将这项技术发展为显微镜能够自行寻找最优图像的‘智能光学成像系统’。”

此外，该研究成果已于本月13日发表在生命科学方法学领域学术期刊《Nature Methods》上。