韩国科学技术院(KAIST)电气工程学院的Iksung Kang教授与加州大学伯克利分校Na Ji教授的研究团队合作，开发了一种能准确校正用于活体生物成像的显微镜图像畸变的技术。值得注意的是，该技术的核心组成部分——实验设计和算法开发——是在Kang教授在Na Ji教授研究组担任博士后研究员期间主导完成的。
该技术通过神经场(Neural Fields)实现——这是一种基于神经网络的技术，能够连续表示3D空间结构，同时重建清晰图像和体积形式。该研究已发表在《自然·方法》(Nature Methods)杂志上。
研究团队利用双光子荧光显微镜——这是一种通过同时使用两个低能量光子选择性照亮特定点来观察活体生物组织深层的核心技术。然而，当光线穿过厚组织时，会发生弯曲和散射，导致图像变得模糊——就像水下物体看起来扭曲一样。这种现象被称为光学像差。
以前，校正这些畸变需要添加复杂且昂贵的硬件，如测量光路偏移程度的波前传感器。
相比之下，研究团队开发了一种算法，仅使用捕获的图像数据就能逆向计算光线是如何畸变的并进行校正。换句话说，这是一种通过分析模糊照片来恢复图像清晰度的方法，无需依赖任何额外设备。
该技术的核心是基于神经场模型的机器学习算法。该算法追踪光线传播过程中发生的畸变过程，实现了一种综合技术，不仅补偿了生物组织引起的光学像差，还补偿了活体样本的微观运动和显微镜本身的对准误差。
结果，该团队成功且可靠地从生物组织深层获得了高分辨率、高对比度的图像，无需任何单独的像差测量或校正设备。
这项研究特别重要，因为它通过基于软件的方法解决了问题，克服了"更好图像需要更昂贵设备"的传统限制。这有望降低研究设备成本负担，让更多研究人员能够进行精确的脑部观察。
Kang教授表示："这项研究通过结合光学和人工智能技术，开辟了更准确观察活体内部的途径。未来，我们计划将其开发成一种智能光学成像系统，让显微镜本身找到最佳图像。"
Comparison of images using a framework that integrates correction for optical aberrations, sample motion, and microscope errors. Credit: AI-generated image/KAIST
Framework for integrated distortion correction in two-photon fluorescence microscopy. Credit: Nature Methods (2026). DOI: 10.1038/s41592-026-03053-6。DOI: 10.1038/s41592-026-03053-6)
出版详情：
Iksung Kang等人，《利用神经场进行体内双光子荧光显微镜自适应光学校正》，《自然·方法》(2026)。DOI: 10.1038/s41592-026-03053-6
关键医学概念：机器学习
临床类别：神经学
【全文结束】
