秒扫全脑！新一代SDLM转盘光片掀翻成像速度天花板

光片显微镜凭借其高速成像和低光毒性的优势，并通过与组织透明化技术结合，已成为推动组织学与神经解剖学成像发展的关键工具。但传统光片技术始终深陷“速度 - 分辨率 - 视场” 三角困境：

• 选择性平面照明显微镜（SPIM）虽覆盖大视场，却因光片厚度与共聚焦范围（或者瑞丽范围）的权衡，分辨率会随视场扩大急剧下降；

• 贝塞尔光束、艾里光束等无衍射光束虽能生成超长共聚焦范围薄片，旁瓣却会损害光学切片能力；

• 轴向扫描光片（ASLM）虽保高分辨率，几种主流轴向扫描技术却都有各自的短板，例如：压电平台和音圈电机（VCM）限制成像速度、电可调透镜（ETL）伴随畸变问题导致的轴向分辨率下降，单次扫描提供的信息量也受视场与分辨率权衡制约。

当前技术因光学通量不足、分辨率与视场难兼顾，严重阻碍大样本成像应用。

2025年10月15日，华中科技大学光学与电子信息学院费鹏教授团队在PhotoniX上发表的研究论文，题为

Second-level high-speed 3D isotropic imaging of whole mouse brain using deep-learning spinning-disk light-sheet microscopy”，

一、主流 光片 3D成像为何难以兼顾“快”与“清”

在SDLM出现前，主流光片3D成像技术始终面临三大核心瓶颈：

1. 速度受限：轴向扫描技术（ASLM）的机械短板

传统ASLM的轴向扫描依赖线性驱动部件：压电平台驱动移动镜（扫描频率仅几十赫兹）、音圈电机（VCM）振荡物镜（扩展范围有限并且速度仅数十赫兹）、电可调透镜（ETL）动态聚焦（有明显畸变）。这些部件的物理特性直接决定了成像速度上限，无法突破“慢扫描”瓶颈，难以捕捉动态生物过程。

2. 通量不足：视场与分辨率的“零和博弈”

荧光检测系统的空间带宽乘积（SBP）——即“体积成像速度/空间分辨率”，是衡量大样本成像效率的核心指标。传统技术中，要扩大视场就必须牺牲分辨率（如SPIM的光片厚度随共聚焦范围增加而增厚）；要保分辨率则只能缩小视场。这种鱼和熊掌不可兼得的困境，让全器官的单细胞分辨率成像变得异常耗时（传统方法需数小时甚至数天）。

3.图像畸变：电可调透镜（ETL）的固有缺陷

电可调透镜（ETL）通过向透明材料（如液晶、聚合物）施加电压，改变材料内部的折射率分布，从而实现光束聚焦或偏转。虽然使用 ETL 比压电扫描仪具有更大的可调范围，但电压在材料内的电场分布无法做到绝对均匀，导致视场分辨率不均一，尤其是大视场下的边缘畸变加剧，并且ETL还存在响应滞后、对外部环境极为敏感等问题，机械应力与热效应都会诱发畸变。

本文作者团队曾使用软件来模拟基于音圈电机（VCM）和电可调透镜（ETL）方法生成的聚焦高斯薄片的光学轮，使用ETL 以3.3 mm 距离移动高斯片的焦点，光片的厚度变化超过35%（从1.7 到 2.3  μm ， 如下图（a）与（b）所示），这种不均匀的平面照明在对大样品进行成像时会导致对比度和分辨率不佳 ( Ping J, Zhao F, et al. 2019. )。虽然文中基于VCM方法生成的光片厚度变化明显小于ETL，但其扫描速度仅达到20帧每秒。

图（a）不同传播位置处的光束分布，由ETL(上行)和VCM(下行)调整。(b)由ETL(蓝色线)和VCM(橙色线)在不同聚焦位置处的光片厚度，VCM保持了均匀的分辨率，ETL光片的厚度变化超过35%。来源：Ping et al., J Biomed Opt, 2019.

二、SDLM的核心突破：特制转盘驱动的光程调控

SDLM的关键创新，在于用旋转梯度厚度圆盘透镜替代传统线性扫描部件，从机械驱动转向光学调控，一举解决速度与视场的矛盾。其技术原理可拆解为三大核心设计：

1. 梯度厚度转盘：1个部件实现“高速+大视场+高分辨”三目标

SDLM采用定制化聚甲基丙烯酸甲酯（PMMA）圆盘，其厚度沿径向均匀、沿角度梯度增加（图1b）。当圆盘由高速电机驱动旋转时，会对穿过的高斯光束产生连续变化的光程差——通过这种光程差实现了光片束腰的轴向扫描运动，即光片的中心沿光束传播方向周期性移动，无需任何机械往复部件（图1c-d）。由于激光光束的焦点随着转盘的旋转在轴向上变动，形成相对稳定而细窄的光片对样品进行照明。这样的设计确保了在较大范围内能够实现均匀的平面照明。

相比传统电动透镜（ETL）系统更快、更清晰：

SDLM通过优化转盘的形状和旋转速度，可以精确控制光片在样品内的轴向移动与速度，这种灵活性使得成像速率比ETL显著提高，能够与高性能sCMOS相机（在光片模式下可达100 fps）相匹配，从而实现快速、稳定的成像效果。

并且SDLM 通过梯度转盘设计，用机械旋转的稳定光程调控替代ETL 的电压式折射率调节，从原理上规避了ETL的畸变问题，实现全视场均匀成像。

√- 扫描速度：速度可达相机帧率极限，可实现100Hz全帧成像（420百万像素/秒），是传统ASLM的10倍以上；

√- 视场扩展：通过优化圆盘形状与旋转速度，光片可覆盖3.3×3.3mm²视场，是传统高斯光片显微镜的15倍（图1j）；

√- 分辨率保持：光片厚度始终维持在~3μm，实现1.5μm各向同性体素，解决SPIM“视场扩大→分辨率下降”的痛点（图1i，SDLM的点扩散函数（PSF）全视场无明显劣化，而SPIM的PSF随深度明显展宽）。

图1. SDLM 的图示与原理

2. 双周期圆盘设计：降低硬件门槛，提升系统稳定性

为进一步优化扫描效率，团队还设计了双周期圆盘（图1e）：相同旋转角度下，厚度变化频率是单周期圆盘的2倍。这一设计使光片扫描速度进一步提升，既降低了对高精度电机的依赖，又提升了长期成像的稳定性——这对全脑等大样本长时间扫描至关重要。

3. 卷帘快门同步：捕捉动态光片的每一个细节

由于光片随圆盘旋转呈动态扫描状态，SDLM创新性地将圆盘旋转与相机卷帘快门（Rolling shutter）同步（图1g）：相机卷帘曝光的节奏与光片轴向扫描的速度精准匹配，确保仅采集光片束腰激发的荧光信号，避免信号模糊。这种同步机制让SDLM在100Hz高速下，仍能保持清晰的光学切片能力（图2b，SDLM在全视场范围内的神经元信号均无拖影，而同样厚度的传统光片（unsync-SPIM）在视场边缘信号严重劣化）。

图2b. Unsync-SPIM、Sync-SPIM 和 SDLM 方法在XZ平面的最大强度投影对比（200 μm）

三、从技术到应用：SDLM 如何赋能前沿生命科学研究

1. 神经科学：全脑神经元追踪与连接图谱构建

（1）SDLM 与 SPIM 的成像性能对比

为验证SDLM 的优势，团队将其与基于不同设置的两种传统光片（高轴向分辨率光片、大视野光片）进行对照实验，对PEGASOS 透明化的 Thy1-GFP-m 转基因小鼠脑进行 3D 成像（图 2a）。

结果显示：

高轴向分辨率光片仅在束腰区域有较好光学切片能力，超出范围后信号模糊；

大视野光片虽覆盖大视场，但轴向分辨率劣化严重；

而SDLM 在 3.3×3.3mm² 全视场下，始终保持 1.5μm 的各向同性分辨率，对不同深度区域（D1、D2、D3）的神经纤维均能清晰成像（图 2b-c），且神经元树突轮廓还原度远超两种 SPIM（图 2d）。

图2. SDLM的分钟级全脑成像能力

（2）分钟级完成全脑拼接成像（4.4×）

以4.4× 倍率对 8 周龄小鼠全脑成像时，SDLM 通过 3×3 块拼接（每块以 1.477μm 步长扫描，单块 34 秒 / 3400 帧），仅10 分钟便生成全脑三维重建模型（图2e）。其中皮层（ROI1）、海马（ROI2）、中脑（ROI3）的神经元胞体、轴突分支均清晰可辨，解决了传统技术全脑成像需数小时的痛点。

2. R-SDLM：循环网络让成像吞吐量提升43倍

为突破“低倍快扫分辨率低”与“高倍精扫速度慢”的矛盾，团队开发循环网络（R-SDLM），通过两步超分实现高保真成像（图3a）：

第一步：将1.1× 低倍图像提升至 2.2×，修复噪声与模糊；

第二步：通过循环迭代进一步提升至4.4×，匹配高倍物镜分辨率。

对比实验表明（图3c）：

传统SPIM 轴向分辨率仅 35μm，SDLM-1.1× 模拟图虽保各向同性，但细节不足；

两步超分：比传统一步超分更保真、更高效：一步超分网络易丢失纤细结构，而R-SDLM能精准还原树突等超精细结构，保真度接近 4.4× 倍率的 SDLM真实三维结构数据（ground truth ）。

吞吐量飙升：27千兆像素/秒，秒杀现有商用设备：- 原始SDLM（4.4×倍率）：420百万像素/秒； - R-SDLM（1.1×+超分）：27千兆像素/秒，是基于ETL的mesoSPIM（1×倍率）的100倍以上（图3f），仅 20 秒即可采集小鼠端脑双视图（0° 与 180°），融合后生成全端脑图像（图 3d），且 ROI 区域细节解析力远超 SPIM（图 3e）。

图3. R-SDLM与SPIM、一步法网络及其他ASLM成像模式的比较

3.秒级单细胞分辨率全脑三维成像

基于R-SDLM，团队构建了“快速采集 - 融合 - 超分 - 追踪”全流程成像（图4a）：

以1.1× 倍率、100 帧 / 秒、5.85μm 步长采集，20 秒完成脑区双视图；

融合后经循环网络生成高分辨率图像，细节可媲美4.4×SDLM；

最终实现神经元树突的精准追踪—— 对比 SDLM 与 SPIM，R-SDLM 能多识别 30% 以上的神经纤维分支（图 4d），全脑体积渲染图（图4b）及皮层、海马等 ROI 放大图（图 4c），清晰呈现神经元的三维分布。为构建单细胞分辨率全脑连接图谱提供了高效工具。

图4. 秒级成像流程，展示高通量、各向同性小鼠脑成像技术及其应用（采用R-SDLM方法）

四、全脑细胞分析：助力基因型 - 脑区关联研究

在脑科学应用研究中，团队设计“样本处理 - 成像 - 分析”闭环方案（图5a）：采用PEGASOS 法透明化全脑；用 SDLM 获取高分辨率图像；结合团队自研的脑图谱配准软件BIRDS（Wang et al.,Elife, 2021）完成脑区分割与细胞计数。

对vGlut1-Cre/LSL-H2B-GFP 与 vGlut2-Cre/LSL-H2B-GFP 两种基因型小鼠的分析显示（图 5b-g）：

-vGlut2-Cre 小鼠全脑标记的谷氨酸能神经元数量更多；

-vGlut1-Cre 小鼠在丘脑（TH）和中脑（MB）的标记细胞数，仅为 vGlut2-Cre 小鼠的 1/3。

该结果仅需1 小时（成像 + 分析）即可获得，传统技术则需数天，大幅加速了基因型 - 脑区 - 细胞分布的关联研究。

以上实验进一步印证，SDLM 不仅在技术原理上打破速度- 分辨率 - 视场的三角困境，更能通过算法协同，在全脑成像、神经元追踪、细胞分析等场景中提供高效解决方案，为生命科学研究提供切实助力。

图5. SDLM适用于对不同基因型小鼠进行全脑细胞分析

五、重新定义成像范式：SDLM对领域的三大颠覆性意义

SDLM的价值远不止一项新技术，更在于它为3D成像领域提供了全新的成像范式，其颠覆性意义可概括为三点：

1. 打破“速度-分辨率-视场”三角困境

SDLM通过光学调控替代机械驱动+深度学习增强分辨率，实现大视场成像+高速轴向扫描，得益于其调节的灵活性，能够发挥高性能sCMOS相机（在光片模式下可达100 fps）的最高速度，让全器官单细胞分辨率成像从耗时数天变为秒级完成。同时，R-SDLM的自动化分析流程（图4a：成像→融合→超分→追踪）无需人工干预，进一步提升成像效率——这意味着更多实验室可开展全脑、全器官等大尺度样本研究。

2.大视场成像少拼接或无拼接

高斯光片的单次成像视野（共聚焦范围）仅为200μm左右，由于转盘光片成像视场扩展15倍，因此一个“Z-stack” 的成像区域大幅扩大，需要拼接的堆栈更少，拼接变得更高效。甚至在1.1×倍率物镜，光片束腰部轴向分辨率3.3 μm的光片下实现超大共聚焦范围（扩展15×），即实现3.3mm的超大视场，可在10秒内完成整个小鼠大脑的无拼接3D成像。

3. 推动成像技术与生命科学深度协同

SDLM的设计从一开始就瞄准生命科学的真实需求：全脑成像需“快”（避免样本漂移）、神经元追踪需“清”（分辨细分支）、基因型分析需“准”（定量计数）。这种需求驱动技术的模式，让成像技术不再是被动适配研究，而是主动推动研究突破——例如，基于SDLM的全脑细胞图谱，将为阿尔茨海默病、自闭症等神经疾病的脑区特异性机制研究提供关键工具。

结语

综上所述，该研究开发了一种高速转盘光片（SDLM ）能够实现 100 Hz 成像，与具有相似轴向厚度的传统高斯光片显微镜相比，视场扩展 15 倍，通过转盘连续调整光程长度，实现在 ~ 3.3×3.3 mm2的扩展视场范围内使用光片束腰部分进行轴向扫描。从机械扫描到光学调控，从单一硬件到软硬协同，SDLM的突破重新定义了3D成像的速度边界。当我们能在10秒内完成整个小鼠大脑的三维成像，当我们能在兼顾速度与分辨率的同时，解析全脑神经元的结构与分布——这意味着生物成像将进入“大样本、高时空分辨率”的新时代。而SDLM技术，有望成为开启这个时代的关键钥匙。

华中科技大学博士后赵方为论文的第一作者，华中科技大学平峻宇、陈星宇为论文共同第一作者。华中科技大学光学与电子信息学院费鹏教授为论文通讯作者，慧观生物CEO赵宇轩博士和华中科技大学光学与电子信息学院博士后钟丰鹤为共同通讯作者。该技术慧观研发团队正在做进一步的优化并转化为高性能的产品，例如团队已将光片束腰厚度由文中的3μm调制薄至1μm，进一步提高轴向分辨率。

图：慧观基于SDLM原理的MacroView显微成像系统点扩散图（PSF）的性能表现

https://photonix.springeropen.com/articles/10.1186/s43074-025-00200-8

参考文献：

1.Ping J, Zhao F, Nie J, Yu T, Zhu D, Liu M, Fei P. Propagating-path uniformly scanned light sheet excitation microscopy for isotropic volumetric imaging of large specimens.J Biomed Opt. 24(8):1-5 (2019).

2.Wang X, Zeng W, Yang X, Zhang Y, Fang C, Zeng S, Han Y, Fei P. Bi-channel image registration and deep-learning segmentation (BIRDS) for efficient, versatile 3D mapping of mouse brain.Elife. 10:e63455 (2021).