Nat. Comput. Sci. | 用于低光高通量拉曼高光谱成像的自优化光谱距离方法

DrugAI

发布于 2026-03-03 17:49:13

1300

DRUGONE

拉曼高光谱成像通过结合振动光谱与空间成像，能够在分子层面解析样品的化学组成与空间分布信息。然而，拉曼散射信号本质上极其微弱，通常需要较长积分时间或高功率激光才能获得高信噪比数据，这严重限制了其成像效率和实际应用范围。研究人员提出了一种基于无监督学习的计算方法——自优化光谱距离（Self-optimized Spectral Distance, SSD），用于在低信噪比条件下直接重建高质量拉曼高光谱图像。该方法无需依赖大规模配对训练数据，也不需要长时间曝光或高能激光激发。实验结果表明，在细胞结构分析、微粒检测及药物成分识别等多种应用场景中，SSD在显著降低采集时间和激发功率的同时，依然保持高质量成像性能，实现至少一个数量级的效率提升。

拉曼高光谱成像因其非破坏性、无需复杂样品制备以及高空间与高光谱分辨率等优势，已广泛应用于生物医学、材料科学及药物分析等领域。传统拉曼高光谱成像依赖逐点或逐线扫描，每个空间位置均需采集完整光谱。由于自发拉曼散射的概率极低，仅有极少数入射光子发生拉曼散射，因此在实际应用中通常需要延长积分时间或提高激光功率。这不仅降低成像速度，还可能导致样品损伤，尤其是在生物样品中。

为增强信号强度，已有方法包括表面增强拉曼技术及多种非线性拉曼成像技术。然而这些方法往往设备昂贵、系统复杂，适用范围有限。近年来，计算方法逐渐成为重要方向，研究人员尝试通过算法从低质量或短时间采集的数据中重建高信噪比图像。传统降噪方法难以在复杂背景噪声下保持精细空间结构，而监督式深度学习方法又依赖大规模成对数据集，实际采集成本极高。

因此，研究人员提出SSD算法，通过无监督自优化策略，从单次低信噪比观测数据中直接恢复高质量拉曼图像，同时显式建模空间与光谱长程相关性，避免传统方法在泛化能力和计算效率上的局限。

方法

SSD方法基于迭代优化框架，将低信噪比观测数据视为高质量图像与复合噪声之和。算法通过交替方向乘子法进行优化，并引入一种新的光谱先验假设：高质量拉曼图像可以分解为一个先验均值图像与各光谱通道相对于该均值的光谱距离。与传统方法直接重建完整光谱不同，SSD仅预测光谱距离，从而降低模型复杂度。

该方法核心在于一个无需预训练的神经网络结构，该网络在每次重建过程中进行自监督优化。网络采用U形结构，并嵌入专门设计的光谱距离Transformer模块，用于同时捕捉长程空间依赖和跨光谱通道的相关性。此外，算法引入空间-光谱总变分正则项，以约束解的平滑性并抑制过拟合。

整个优化过程完全基于当前采集场景的数据进行更新，使模型能够适应不同实验条件和成像系统，显著提升泛化能力。

图1：SSD方法及其性能的示意性概览。

结果

模拟数据验证

研究人员首先在模拟拉曼高光谱数据上验证SSD性能。结果显示，相较于现有监督学习网络和基于噪声建模的方法，SSD在空间清晰度和光谱保真度方面均表现更优。无论是在字符模式、平滑分布模式还是高对比棋盘模式下，SSD均能显著提高峰值信噪比与结构相似度指标，同时保持更低的光谱角误差。

图2：SSD与现有方法在模拟拉曼高光谱图像数据上的性能比较。

细胞成像增强

在动态草履虫样本及三维胃上皮细胞拉曼成像实验中，SSD显著提升了细胞核、细胞质与细胞膜的分离效果。与原始数据相比，SSD重建结果在三维体数据中展现出更清晰的结构边界和更稳定的光谱特征。空间与光谱总变分分析表明，SSD有效降低了噪声波动，提升了结构连续性。

图3：基于SSD的细胞拉曼高光谱成像。

高通量微粒检测

在聚苯乙烯微球检测实验中，SSD显著增强了低功率、短积分时间条件下的拉曼信号质量。相关性分析显示，SSD重建结果在关键拉曼峰之间呈现更强的一致性，而与非特征峰之间相关性较低，说明其能够准确恢复真实光谱结构。在分类实验中，SSD重建数据实现超过99%的识别准确率，而原始数据表现较差。

图4：聚苯乙烯微球的拉曼高光谱成像。

药物成分快速分析

在含有阿司匹林、对乙酰氨基酚和咖啡因的片剂样品中，SSD在短曝光条件下成功恢复关键特征峰，并显著提升成分定量分析精度。成分比例分布与参考数据高度一致，而原始数据存在明显误差。t-SNE可视化进一步显示，SSD重建数据能够实现清晰的成分聚类分离。

图5：药物样品的快速拉曼高光谱成像。

讨论

SSD在低信噪比条件下展现出强大的重建能力，能够在无需预训练模型或大规模数据集的情况下恢复高质量拉曼图像。其优势在于将光谱距离建模与自监督神经网络优化相结合，并通过Transformer结构显式建模空间与光谱长程相关性。

尽管SSD表现优越，但仍存在一些局限。例如，超参数选择对结果有一定影响，当前仍依赖网格搜索策略，计算成本较高。此外，在某些跨领域应用场景中，预训练权重的迁移效果可能有限。未来研究可进一步探索自适应超参数优化策略和更高效的收敛控制机制，以降低计算负担并提升泛化性能。

总体而言，SSD为低光条件下的高通量拉曼高光谱成像提供了一种通用、高效且无需监督数据的新型解决方案，为生物医学成像、材料分析及药物检测等领域的快速成像应用提供了重要技术支持。

整理 | DrugOne团队

参考资料

Chen, Y., Wang, S., Wang, Y. et al. Self-optimized spectral distance for low-light high-throughput Raman hyperspectral imaging. Nat Comput Sci (2026).

https://doi.org/10.1038/s43588-026-00957-3