顯微課堂 | 清晰對比、無霧的 3D 樣本實時圖像

Computational Clearing是THUNDER成像儀的核心技術(shù)。它檢測并去除每張圖像中的失焦背景，使得感興趣的信號可以直接獲取。同時，在清晰聚焦的區(qū)域，邊緣和樣本特征的強度得以保留。當(dāng)使用基于相機的熒光顯微鏡記錄圖像時，“不需要的"背景會與“需要的"清晰結(jié)構(gòu)信號疊加，并且兩者總是被記錄。為了獲得最佳效果，目標(biāo)是盡可能減少背景。為了從圖像中排除不需要的背景，找到準(zhǔn)確分離背景與所需信號的關(guān)鍵標(biāo)準(zhǔn)至關(guān)重要。一般來說，背景在記錄的圖像中表現(xiàn)出特征行為，這與其來源無關(guān)。因此，僅憑其在圖像中的外觀，無法辨別背景的來源。特別是在生物樣本中，背景通常不是恒定的。它在視場（FOV）中是相當(dāng)可變的。Computational Clearing自動考慮這一點，使得清晰信號可以立即獲取。

圖 1：聚焦和失焦 PSF 的示意圖：寬場圖像的 PSF（中）可以有效地通過聚焦的兩個 PSF 分量（左）和失焦的 PSF 分量（右）來描述。背景估計利用了這樣一個事實，即失焦信號的結(jié)構(gòu)長度尺度S[ ? Iout] 大于相應(yīng)的結(jié)構(gòu)長度尺度r0，該尺度由聚焦信號的寬度給出。

使用寬場顯微鏡獲取的圖像可以分解為兩個組成部分：清晰信號和背景信號。背景信號主要來自失焦信號。因此，寬場圖像 I(r) 可以近似表示為：

其中 psfof/if(r) 和 f(r) 分別是清晰（if）和失焦（of）貢獻(xiàn)的有效點擴散函數(shù)以及熒光分布。由于失焦 PSF 的寬度遠(yuǎn)大于清晰 PSF，因此在公式 (1) 中，這兩個貢獻(xiàn)可以通過長度尺度區(qū)分算法（例如小波變換）清晰分開。我們開發(fā)了一種迭代算法來分離這兩個貢獻(xiàn)。它在每次迭代中計算以下最小化：

這里S[ ?Iout]表示估計的失焦貢獻(xiàn)的結(jié)構(gòu)長度尺度Iout。結(jié)構(gòu)長度尺度r0（公式 (2)）是基于系統(tǒng)的光學(xué)參數(shù)計算的，并且可以進(jìn)行調(diào)整。在LAS X 軟件中，它被稱為“特征"尺度。

使用這種方法，僅去除了背景（BG）。保留了來自感興趣的失焦樣本區(qū)域的信號和噪聲。由于失焦區(qū)域的噪聲仍然存在，圖像中失焦特征的邊緣是可見的，因此保持了樣本特征與其特征尺度之間的空間關(guān)系。盡管生命科學(xué)樣本中背景的變化特性，特征的相對強度仍然得以保留。

與傳統(tǒng)的包容性方法不同，使用Computational Clearing揭示的圖像不是生成的，而是從樣本中的背景信號中“解鎖"的。

圖 2：用 Cy5 標(biāo)記的βIII 微管大鼠神經(jīng)細(xì)胞顯示結(jié)構(gòu)的邊緣，這些結(jié)構(gòu)在Computational Clearing后得以保留，以及結(jié)果背景。圖像是使用THUNDER Imager 3D 細(xì)胞培養(yǎng)顯微成像系統(tǒng)和 HC PL APO 63x/1.40 油鏡頭獲取的。

Computational Clearing去除了背景，清晰地揭示了樣本深處的焦平面。Computational Clearing作為一種的方法，實際上在與包容性方法結(jié)合使用時變得更加強大。

THUNDER Imager 提供三種模式供選擇：

即時Computational Clearing（ICC）是獨占Computational Clearing方法的同義詞，正如在本技術(shù)說明書開頭介紹的那樣。SVCC 和 LVCC 是獨占Computational Clearing與基于決策掩模的 3D 去卷積的結(jié)合，專門用于薄樣品（SVCC）或厚樣品（LVCC）。包容性方法的自適應(yīng)圖像信息提取遵循一個概念，該概念源于 LIGHTNING，徠卡顯微系統(tǒng)的自適應(yīng)去卷積方法，最初為共聚焦顯微鏡開發(fā)。

LIGHTNING 使用決策掩模作為基準(zhǔn)參考，以計算圖像每個體素的適當(dāng)參數(shù)集。結(jié)合寬場點擴散函數(shù)（PSF），LIGHTNING 固有的自動化自適應(yīng)去卷積過程的功能可以轉(zhuǎn)移到寬場檢測中。

在本節(jié)中，展示了實驗數(shù)據(jù)以證明：

InSpeck 珠子是微球標(biāo)準(zhǔn)，生成一系列明確定義的熒光強度水平，用于構(gòu)建校準(zhǔn)曲線和評估樣品亮度。在這個簡短的實驗中，將相同體積的同尺寸熒光珠子和非熒光珠子混合在一起。熒光珠子具有不同的相對強度，即 100%、35%、14%、3.7%、1% 和 0.3%。

InSpeck 珠子被沉積在載玻片上，并使用 20 倍低 NA 物鏡對 156 個位置進(jìn)行了成像（圖 3，單個 z 位置）。記錄了三個通道（圖 3 從左到右）：明場（BF），相位對比（PH）和熒光（FLUO）。FLUO 強度經(jīng)過調(diào)整，以避免明亮物體導(dǎo)致相機傳感器飽和。為了糾正潛在的不均勻照明，使用了視場中心區(qū)域。

使用了 FOV。沒有進(jìn)行進(jìn)一步的平場校正。FLUO 圖像使用即時Computational Clearing（ICC）進(jìn)行后處理，特征尺度為 2500 nm，與微珠尺寸一致。

珠子是通過簡單閾值處理 PH 圖像找到的。為了糾正錯誤檢測到的珠子，僅接受某一大?。?8 到 76 像素）且圓度≥0.99 的圓形物體。該掩膜用于獲取原始熒光和 ICC 處理通道的平均強度。沒有排除強度異常值。為了獲得相對值，所有接受的珠子的原始和處理強度都除以其最大強度群體的中位強度（通常是 100%相對強度的熒光珠子）。在圖 4（右）中，黑線顯示，經(jīng)過Computational Clearing后，強度仍然接近預(yù)期值。

結(jié)論：Computational Clearing技術(shù)使得即使是最弱信號群體的真實熒光動態(tài)也能被區(qū)分，這在原始數(shù)據(jù)中是不可觀察的。使用Computational Clearing技術(shù)時，發(fā)射強度的量化非常簡單。然而，對于此類實驗，需要非常嚴(yán)格地遵循定量熒光顯微鏡的良好實踐。

以下實驗展示了 ICC 如何處理背景中的巨大差異和異質(zhì)性。準(zhǔn)備了一種不同強度的綠色熒光珠群，并將其分散在載玻片上。珠子以混合強度出現(xiàn)，但呈現(xiàn)出簇狀（圖 6，左）。通過從濾光塊中移除激發(fā)濾光片，并用記號筆在載玻片的一半添加熒光素背景，提供了一般背景。定義了兩個大小相等的非重疊視場區(qū)域：一個在熒光素區(qū)域內(nèi)，即高背景瓷磚掃描（圖 5：區(qū)域 A，左），另一個在沒有熒光素的區(qū)域，即低背景瓷磚掃描（圖 5：區(qū)域 B，右）。

對于每個視場，通過簡單的閾值處理 BF 圖像（圖 6，左）來識別珠子。從這個掩膜中獲得原始圖像和 ICC 處理圖像的平均熒光強度。

不符合特定圓度和大小的物體被丟棄，未用于進(jìn)一步分析。沒有應(yīng)用其他異常值修正?？偣苍趨^(qū)域 A（高且不均勻背景）中識別出 39,337 個物體，在區(qū)域 B（低背景）中識別出 43,031 個物體。用于后續(xù)比較的強度，從區(qū)域 A 隨機選擇 39,337 個物體，以使兩個區(qū)域的樣本大小匹配。

區(qū)域 A（高背景）和 B（低背景）中物體的強度分布非常不同（Kolmogorov Smirnov 距離：0.79±0.2，置換重采樣）?？梢钥吹揭话愕钠坪吞砑拥谋尘埃▓D 7，左側(cè)藍(lán)色）。在Computational Clearing后對數(shù)據(jù)進(jìn)行的相同分析顯示兩個區(qū)域的分布非常相似（KS：0.05±0.02）。

結(jié)論：Computational Clearing可以處理圖像數(shù)據(jù)中固有的異質(zhì)背景信號，這些信號在真實生物樣本中是普遍存在的。此外，它允許在不需要繁瑣的局部背景去除算法的情況下量化熒光信號，這些算法通常需要為每個成像會話進(jìn)行調(diào)整（即使是對于同一物體）。

為進(jìn)一步展示 ICC 的線性行為，記錄了在固定視場內(nèi)穩(wěn)定熒光物體（15 微米珠子）在不同曝光時間下的圖像。為了排除照明啟動效應(yīng)，物體始終用激發(fā)光照明。由于珠子的低密度和平坦性，原始圖像中的背景主要來自相機偏移。ICC 參數(shù)根據(jù)物體大小設(shè)置：15 微米，強度最高（100%）。

圖 8：原始圖像（上排）和使用Computational Clearing（下排）在不同曝光時間（列）下拍攝的圖像，按各自的曝光時間進(jìn)行劃分。綠色點：用于進(jìn)一步分析的物體。紅色方框：傳統(tǒng)背景減法的區(qū)域。比例尺：100 微米。

最后，ICC 與傳統(tǒng)的 BG 減去數(shù)據(jù)進(jìn)行了比較。這一步通常是量化強度的必要步驟。計算了每幅圖像中無對象區(qū)域（100 x 100 像素，如圖 8 中紅色方框所示）的平均強度，并從同一圖像的強度數(shù)據(jù)中減去。繪制先前找到的對象的平均強度與傳統(tǒng) BG 減去的原始數(shù)據(jù)的關(guān)系。

顯示 ICC 給出了相同的結(jié)果（圖 9，右側(cè)）。結(jié)論：ICC 表現(xiàn)出線性行為。它使數(shù)據(jù)量化成為可能，而無需進(jìn)一步的圖像處理，這在背景異質(zhì)性較強時尤其繁瑣。

可成像的最大深度高度依賴于樣本。熒光團的密度、吸收或樣本內(nèi)局部折射率的均勻性等因素直接影響信噪比和每個體素的散射光量。這些因素通常會波動，即使在同一視野內(nèi)也是如此。

在基于相機的系統(tǒng)中，實現(xiàn) 3D 樣本的光學(xué)切片的經(jīng)典方法是使用多點照明，例如使用尼普科盤或網(wǎng)格投影設(shè)備。后者在網(wǎng)格無法在焦平面上清晰投影時會引入偽影。另一方面，基于盤的系統(tǒng)必須處理針孔之間的有限距離，這在某些成像深度引入了來自失焦平面的光污染。

通過Computational Clearing，在足夠透明的樣本中，最大深度主要取決于發(fā)射光的散射。Computational Clearing通過去除散射光成分來實現(xiàn)深層成像。如果在圖像中至少可以局部獲得一些對比度，THUNDER成像儀使其變得可訪問。Computational Clearing的一個大優(yōu)勢是它可以與活體標(biāo)本一起使用，因此成像可以在生理條件下進(jìn)行。

對比噪聲比越好，重建結(jié)果就越好。對于圖 10 中所示的例子，使用了大體積Computational Clearing（LVCC），這是一種Computational Clearing和自適應(yīng)去卷積的結(jié)合，用于成像厚樣本體積。在樣本的上層，甚至最細(xì)微的細(xì)節(jié)都能被解析并進(jìn)行分割。盡管在更深層次的分辨率和分割可能會降低，但在樣本深度為 140 到 150 微米（圖 11）時，顯示出大量有價值的細(xì)節(jié)，這些細(xì)節(jié)在原始數(shù)據(jù)中并未顯現(xiàn)。沒有THUNDER，大多數(shù)寬場成像實驗在 50 微米的深度就停止，因為人們認(rèn)為無法獲取更多信息。

圖 11：深度為 140 到 150 微米的最大強度投影。

將小體積Computational Clearing（SVCC）應(yīng)用于單個、非重疊、衍射極限物體會導(dǎo)致分辨率增強，如下圖 12 所示。在給定的例子中，成像了一個直徑為 40 納米的單個珠子（100 倍，1.45 NA 物鏡），并應(yīng)用了默認(rèn)設(shè)置的 SVCC。結(jié)果是橫向分辨率增強* 2 倍（比率 FWHMX SVCC/Raw = 0.51），縱向分辨率增強超過 2.5 倍（比率 FWHMZ SVCC/Raw = 0.39）。

*分辨率增強被定義為發(fā)光點源的表觀大小。在折射極限以下，無法分離彼此靠近的兩個結(jié)構(gòu)。

圖 12：單個珠子的 X 軸（左）和 Z 軸（右）強度測量，尺寸低于光學(xué)分辨率極限：SVCC 之前（藍(lán)點）和 SVCC 之后（紅點）以及擬合的高斯曲線（陰影）。插圖顯示了相應(yīng)的 XY 和平面。