Virtual Issue onSuper Resolution Microscopy

超分辨虚拟专刊

REVIEWARTICLE

1.The advantage of MINFLUX nanoscopy in single molecular tracking within living cells

MINFLUX纳米显微术在活细胞内单分子追踪中的优势

摘要：

与系综平均测量不同，单分子追踪可在活细胞内实时提供单个分子动力学的定量信息，并可能揭示其背后相应的分子相互作用机制。高分辨显微技术的进步极大地推动了单分子追踪的发展。本文将围绕这一主题展开讨论，重点介绍近期基于反馈式MINFLUX纳米显微术的实时追踪进展。MINFLUX定位仅需来自约1 nm大小荧光团的不到100个光子，即可实现高精度追踪。相比其他基于定位的技术（如STORM、PALM），该方法所需光子数降低一个数量级以上，可在不到1 ms内以个位数纳米精度进行分子追踪，这是以往无法实现的突破。

引用：

Huihui Zou, Shu Li, Xinlei Kou, Zelong Gu, and Jing Wang.The advantage of MINFLUX nanoscopy in single molecular tracking within living cells.Journal of Innovative Optical Health SciencesVol. 18, No. 05, 2530008 (2025)

文章链接：

https://www.worldscientific.com/doi/10.1142/S1793545825300083

2.Super-resolution microscopy: Shedding new light on blood cell imaging

超分辨显微镜：为血细胞成像带来新曙光

摘要：

血细胞是人体最重要的组成部分之一，由红细胞、血小板和白细胞组成。在纳米尺度上对血细胞内的亚细胞结构和蛋白质进行检测，可以为个体的健康状况提供宝贵的见解，实现疾病的准确诊断以及高效治疗策略。超分辨显微镜（Super-Resolution Microscopy, SRM）最近作为一种尖端工具用于血细胞的研究，相较于传统方法在检测亚细胞结构和蛋白质方面具有诸多优势。在本文中，我们专注于概述各种超分辨显微镜技术的基本原理及其在正常和病理状态下血细胞中的应用。此外，还讨论了超分辨显微镜技术在血细胞分析中的未来前景。

引用：

Huan Deng, Yan Ma, and Yu-Hui Zhang.Super-resolution microscopy: Shedding new light on blood cell imaging.Journal of Innovative Optical Health SciencesVol. 18, No. 01, 2430006 (2025)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545824300064

RESEARCH ARTICLE

3.Active-modulated fluorescence fluctuation super-resolution microscopy with multi-resolution analysis

主动调制荧光波动超分辨显微术及其多分辨率分析

摘要：

提出了一种新的超分辨光学波动成像（SOFI）方案，通过优化荧光团的闪烁特性、抑制原始数据噪声并在高阶累积量重建中引入多分辨率分析，拓展了SOFI在高阶累积量重建中的应用。设计了一套电机驱动的旋转掩模光学调制系统，用于快速调节激发光场，实现“即插即用”。所发展的主动调制荧光波动落超分辨显微术—多分辨率分析（AMF-MRA-SOFI）在传统染料样品实验中表现出更高的分辨能力与重建质量，四阶成像分辨率可达100 nm，优于常规SOFI重建；进一步与膨胀超分辨技术联用后，分辨率提升至约57 nm。

引用：

Zhijia Liu, Duantao Hou, Yiyan Fei, Lan Mi, and Jiong Ma.Active-modulated fluorescence fluctuation super-resolution microscopy with multi-resolution analysis.Journal of Innovative Optical Health SciencesVol. 18, No. 06, 2550024 (2025)

文章链接：

https://www.worldscientific.com/doi/10.1142/S1793545825500245

4.Direct measurement and optimization of the polarization-dependent modulation depth in super-resolution structured illumination microscopy

超分辨结构光照明显微镜中偏振依赖调制深度的直接测量与优化

摘要：

在基于激光干涉的超分辨结构光照明显微镜（Super-Resolution Structured Illumination Microscopy, SR-SIM）中，保持激光束的s-偏振态对于实现高调制深度至关重要。然而，不完美的光学元件可能会导致激光束偏振态退化，从而降低调制深度。在此，我们首先提出了一种直接测量方法，通过等相位步长移动照明图案来更精确地估计调制深度。这种方法极大地减少了调制深度对样品的依赖性。随后，我们开发了一种偏振优化方法，通过主动且定量地使用波片和液晶可变延迟器（Liquid Crystal Variable Retarder, LCVR）组合来补偿额外的相位差，从而在所有方向上实现高调制深度。实验结果表明，我们的方法可以在仅使用一个LCVR电压的情况下，实现三个方向上调制深度高于0.94的照明图案，从而实现各向同性的分辨率提升。

引用：

Linbo Wang, Simin Li, Xiaohu Chen, Xin Jin, Jie Zhang, Hui Li, and Gang Wen.Direct measurement and optimization of the polarization-dependent modulation depth in super-resolution structured illumination microscopy.Journal of Innovative Optical Health SciencesVol. 18, No. 04, 2550005 (2025)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545825500051

5.Enhancing the data processing speed of a deep-learning-based three-dimensional single molecule localization algorithm (FD-DeepLoc) with a combination of feature compression and pipeline programming

通过特征压缩和流水线编程相结合的方法提升基于深度学习的三维单分子定位算法（FD-DeepLoc）的数据处理速度

摘要：

三维单分子定位显微镜（Three-dimensional Single Molecule Localization Microscopy, 3D SMLM）在生物医学应用中发挥着重要作用，但其数据处理过程非常复杂。深度学习是一种潜在的工具，可以解决这一问题。作为目前最先进的基于深度学习的三维超分辨定位算法，最近报道的FD-DeepLoc算法尽管大幅提高了数据处理通量，但与在线图像处理的预期目标仍存在一定差距。在本文中，我们在FD-DeepLoc算法的基础上开发了一种新的算法Lite-FD-DeepLoc，以满足3D SMLM的在线图像处理需求。该新算法采用特征压缩方法减少模型参数，并结合流水线编程加速深度学习模型的推理过程。模拟数据处理结果显示，Lite-FD-DeepLoc的图像处理速度约为FD-DeepLoc的两倍，定位精度略有下降，能够实现大小为256×256像素图像的实时处理。生物实验数据处理结果表明，Lite-FD-DeepLoc能够基于像散和鞍点工程技术成功分析数据，重建图像的全局分辨率等同于甚至优于FD-DeepLoc算法。

引用：

Shuhao Guo, Jiaxun Lin, Yingjun Zhang, and Zhen-Li Huang.Enhancing the data processing speed of a deep-learning-based three-dimensional single molecule localization algorithm (FD-DeepLoc) with a combination of feature compression and pipeline programming.Journal of Innovative Optical Health SciencesVol. 18, No. 02, 2450025 (2025)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545824500251

6.Quantitative evaluation of intensity fidelity of super-resolution reconstruction for structured illumination microscopy

对结构光照明显微镜超分辨重建强度保真度的定量评估

摘要：

超分辨结构光照明显微镜（Super-Resolution Structured Illumination Microscopy, SR-SIM）高度依赖后处理重建，以从原始数据中获得高质量的超分辨图像。尽管已经开发出许多SIM重建算法，能够在噪声数据中以高保真度恢复精细的细胞结构，但对于重建后的超分辨图像像素强度是否仍与原始荧光强度成比例的问题，研究相对较少。重建前后强度的线性关系被定义为强度保真度。在此，我们提出了一种方法，用于在不同空间频率下评估重建后的超分辨图像的强度保真度。利用所提出的指标，我们系统地研究了关键因素对标准维纳-SIM（Wiener-SIM）重建中强度保真度的影响，并使用模拟数据进行了验证，随后评估了由代表性开源软件包重建的超分辨图像的强度保真度。我们的工作为SR-SIM图像强度保真度的提升提供了参考。

引用：

Yujun Tang, Linbo Wang, Gang Wen, and Hui Li.Quantitative evaluation of intensity fidelity of super-resolution reconstruction for structured illumination microscopy.Journal of Innovative Optical Health SciencesVol. 18, No. 01, 2450026 (2025)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545824500263

7.Estimation-free spatial-domain image reconstruction of structured illumination microscopy

无需估计的结构光照明显微镜空间域图像重建

摘要：

结构光照明显微镜（Structured Illumination Microscopy, SIM）通过将样本的高频信息调制到光学系统的通带内，并结合后续的图像重建来实现超分辨（Super-Resolution, SR）。传统的基于维纳滤波的重建算法在傅里叶域中运行，它需要事先了解正弦照明模式的信息，这使得对原始数据集进行耗时的参数估计过程变得必要。此外，参数估计对噪声或由像差引起的模式畸变非常敏感，这可能导致重建伪影的出现。在此，我们提出了一种空间域图像重建方法，该方法无需进行参数估计，而是直接从原始数据集中计算模式。通过计算差分计算模式和差分滤波数据集（对原始数据集进行陷波滤波操作以衰减并补偿光学传递函数（Optical Transfer Function, OTF））的空间协方差，即可获得重建图像。对包括非生物样本、生物样本和模拟样本在内的原始数据集进行重建的实验结果表明，我们的方法具有超分辨能力、高重建速度以及对像差和噪声的高鲁棒性。

引用：

Xiaoyan Li, Shijie Tu, Yile Sun, Yubing Han, Xiang Hao, Cuifang kuang, and Xu Liu.Estimation-free spatial-domain image reconstruction of structured illumination microscopy.Journal of Innovative Optical Health SciencesVol. 17, No. 02, 2350021 (2024)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545823500219

8.Deep neural network based on multi-level wavelet and attention for structured illumination microscopy

基于多级小波和注意力机制的深度神经网络用于结构光照明显微镜

摘要：

结构光照明显微镜（Structured Illumination Microscopy, SIM）是一种在生物医学研究中广受欢迎且功能强大的超分辨（Super-Resolution, SR）技术。然而，传统的SIM重建算法严重依赖于对照明模式和原始图像信噪比（Signal-to-Noise Ratio, SNR）的准确先验知识。为了获得高质量的超分辨图像，通常需要在高荧光水平下捕获多幅原始图像，这进一步限制了SIM的时间分辨率及其应用范围。深度学习（Deep Learning, DL）是一种数据驱动的技术，已被用于拓展光学显微镜的极限。在本研究中，我们提出了一种基于多级小波和注意力机制（Multi-level Wavelet and Attention Mechanism, MWAM）的深度神经网络用于SIM。我们的结果显示，MWAM网络能够从SIM原始图像中提取高频信息，并将其准确地整合到输出图像中，从而生成的超分辨图像优于使用宽场图像作为输入数据生成的图像。我们还证明，将SIM原始图像的数量减少到三幅（每个照明方向各一幅）可以在时间和空间分辨率之间实现最佳平衡。此外，与传统SIM算法相比，我们的MWAM网络在低信噪比图像的重建能力上表现出显著优势。我们还分析了该网络对其他生物样本的适应性，并成功将预训练模型应用于其他SIM系统。

引用：

Yanwei Zhang, Song Lang, Xuan Cao, Hanqing Zheng, and Yan Gong.Deep neural network based on multi-level wavelet and attention for structured illumination microscopy.Journal of Innovative Optical Health SciencesVol. 17, No. 02, 2350015 (2024)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545823500153

9.Comparison of point detection and area detection for point-scanning structured illumination microscopy

点扫描结构光照明显微镜中点探测与面探测的比较

摘要：

结构光照明显微镜（Structured Illumination Microscopy, SIM）因其相对较低的峰值照明强度需求和较高的成像速度，适用于生物样本的成像。系统的分辨率受到两种典型探测模式的影响：点探测（Point Detection）和面探测（Area Detection）。然而，很少有研究系统地分析了系统不同探测模式的成像性能。在本研究中，我们通过理论分析和模拟成像，比较了非共聚焦显微镜中的激光点扫描点探测（Point Scanning Point Detection, PS-PD）和点扫描面探测（Point Scanning Area Detection, PS-AD）成像。结果表明，PS-PD和PS-AD的成像分辨率分别依赖于激发和发射点扩散函数（Point Spread Functions, PSFs）。特别是，我们将点探测（P-SHG）和面探测（A-SHG）的二次谐波生成（Second Harmonic Generation, SHG）与SIM相结合，实现了提高成像分辨率的非线性SIM成像技术。此外，我们从理论和实验上比较了P-SHG与A-SHG的非线性SIM性能。

引用：

Wenshuai Wu, Jiajie Chen, Meiting Wang, Lei Wang, Xiaomin Zheng, Jia Li, Junle Qu, Bruce Zhi Gao, and Yonghong Shao.Comparison of point detection and area detection for point-scanning structured illumination microscopy.Journal of Innovative Optical Health SciencesVol. 16, No. 04, 2350010 (2023)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545823500104

10.DecodeSTORM: A user-friendly ImageJ plug-in for quantitative data analysis in single-molecule localization microscopy

DecodeSTORM：用于单分子定位显微镜定量数据分析的用户友好型ImageJ插件

摘要：

在单分子定位显微镜（Single-Molecule Localization Microscopy, SMLM）中进行定量数据分析对于在生物分子水平上研究细胞功能至关重要。在过去十年中，虽然已经开发出几种用于分析SMLM数据的定量方法，但SMLM实验中的成像伪影降低了这些方法的准确性，且这些方法很少被设计为用户友好的工具。目前，研究人员正在通过开发易于使用的SMLM数据分析软件来克服这些困难，以满足特定的图像分析任务需求。然而，这类软件并未充分关注成像伪影对分析准确性的影响，且通常仅包含一种类型的分析任务。因此，当用户希望根据数据特点和自身需求结合使用不同类型的分析方法时，仍然面临困难。

在本文中，我们报告了一种名为DecodeSTORM的ImageJ插件，它不仅具有简单的人机交互图形用户界面（GUI），还结合了伪影校正和多种定量分析方法。DecodeSTORM包括格式转换、通道配准、伪影校正（漂移校正和定位过滤）、定量分析（分割和聚类、空间分布统计以及共定位）以及可视化功能。重要的是，这些数据分析方法可以自由组合，从而提高了定量分析的准确性，并允许用户根据需要选择最佳的方法组合。我们相信，DecodeSTORM是一个用户友好且功能强大的ImageJ插件，为那些寻求用于细胞生物学重要问题研究的新成像工具的生物学家提供了一个简单且准确的数据分析工具。

引用：

Qihang Song, Cheng Wu, Jianming Huang, Zhiwei Zhou, Zhen-Li Huang, and Zhengxia Wang.DecodeSTORM: A user-friendly ImageJ plug-in for quantitative data analysis in single-molecule localization microscopy.Journal of Innovative Optical Health SciencesVol. 16, No. 06, 2350006 (2023)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545823500062

11.SOFFLFM: Super-resolution optical fluctuation Fourier light-field microscopy

SOFFLFM：超分辨光学闪烁傅里叶光场显微镜

摘要：

傅里叶光场显微镜（Fourier Light-Field Microscopy, FLFM）利用微透镜阵列（Microlens Array, MLA）对显微物镜的傅里叶平面进行分割，从而生成多个二维视角图像，并通过三维反卷积计算重建样本的三维（3D）结构，而无需进行扫描。然而，FLFM的分辨率仍然受到衍射的限制，并且依赖于孔径分割。为了提高其分辨率，本文提出了一种超分辨光学闪烁傅里叶光场显微镜（Super-resolution Optical Fluctuation Fourier Light-Field Microscopy, SOFFLFM），将具有超分辨能力的超分辨光学闪烁成像（Super-resolution Optical Fluctuation Imaging, SOFI）引入FLFM。SOFFLFM对FLFM采集的图像序列进行高阶累积量统计分析，然后进行三维反卷积计算以重建样本的三维结构。本文解释了SOFFLFM提高分辨率的理论基础，并通过模拟验证了其效果。模拟结果表明，在二阶和四阶累积量中，SOFFLFM的横向和轴向分辨率分别比FLFM提高了超过√2倍和2倍。

引用：

Haixin Huang, Haoyuan Qiu, Hanzhe Wu, Yihong Ji, Heng Li, Bin Yu, Danni Chen, and Junle Qu.SOFFLFM: Super-resolution optical fluctuation Fourier light-field microscopy.Journal of Innovative Optical Health SciencesVol. 16, No. 03, 2244007 (2023)

文章链接：

https://worldscientific.com/doi/10.1142/S1793545822440072

版权声明：

本文由《创新光学健康科学杂志（英文）》编辑部负责整理翻译。中文内容仅供参考，一切内容请以英文论文为准。欢迎转发分享本文，如需转载，请留言或联系jiohs@mail.hust.edu.cn。