本研究的核心贡献由ChulMin Oh、Herve Hugonnet、Moosung Lee和YongKeun Park共同完成，论文题为“Digital aberration correction for enhanced thick tissue imaging exploiting aberration matrix and tilt-tilt correlation from the optical memory effect”。该论文于2025年2月在《Nature Communications》期刊在线发表。这项工作为计算光学成像领域提供了新思路，特别是在厚组织成像中实现了无需导星的像差校正。

重要发现
01核心贡献
本研究的主要贡献在于开发了一种基于像差矩阵和光学记忆效应的计算自适应光学方法，能够有效校正厚样本引起的像差。传统自适应光学技术通常依赖于波前传感器或导星，但这些方法在生物组织等散射介质中效果有限，尤其是当样本厚度增加或存在运动时。本方法通过利用倾斜-倾斜相关性，从测量场中提取像差函数，无需外部导星或迭代优化，从而避免了局部极值问题。核心创新点在于将像差建模为入射和出射路径上的点扩散函数，并通过构建像差矩阵来分离像差成分，这使得方法在透射成像中也能处理三维体积样本，而不仅限于平面目标。

实验设置中，还考虑了空间变化像差和样本运动的影响。对于空间变化像差，通过窗口函数选择等晕区进行处理；对于运动样本，如布朗运动的硅珠，方法利用连续图像间的相对相位，证明了对动态样本的适应性。此外，通过多层光传播模拟，验证了方法在深部组织成像中的性能，与现有方法相比，本方法在强像差条件下仍能提升斯特列尔比。

对于50微米厚肠道组织，方法同样有效，校正后断层扫描显示出血管、红细胞等结构，且相关分析证实了像差校正的准确性。在100微米厚组织中，尽管样本进入多重散射区，方法仍能通过场相关分析量化像差影响，记忆效应范围约为0.9度，校正后相关度接近原始水平。与现有矩阵基于方法相比，本方法在透射成像中表现更优，尤其在厚样本条件下避免了局部收敛问题。

创新与亮点
01突破的成像难题
本论文突破了传统自适应光学在厚组织成像中的多个难题。首先，现有方法通常假设目标位于特定平面，难以处理三维体积样本，而本方法通过广义像差模型，将目标视为三维对象，适应了透射成像中的深度变化。其次，在强散射条件下，时间门控技术失效，本方法利用光学记忆效应，无需深度切片即可校正像差，这在透射模式成像中属首创。此外，方法对样本运动具有鲁棒性，解决了生物成像中常见的动态样本问题，通过分析连续图像，实现了在布朗运动条件下的像差校正。

总结与展望
本研究成功开发了一种基于像差矩阵和光学记忆效应的计算自适应光学方法，在厚组织成像中实现了高效像差校正。实验证明，该方法适用于10至100微米厚的人体组织，对样本运动和空间变化像差具有鲁棒性，且无需导星即可提升图像质量。尽管方法在梯度积分和分支点处理上存在局限，但通过优化测量参数，信噪比可进一步改善。未来，这项工作有望扩展至体内反射成像，结合时间门控技术，实现深部生物组织的实时高分辨率观测。总体而言，本技术为光学成像领域提供了新范式，将推动生物医学诊断向更精准、非侵入的方向发展。

DOI:10.1038/s41467-025-56865-z.