Diseminación inversa en muestras biológicas mediante propagación por haz

Área de la Ciencia:

• La biofísica
• Imágenes ópticas
• Microscopía computacional

Sus antecedentes:

• La dispersión múltiple en muestras biológicas degrada la calidad de la imagen óptica al oscurecer los detalles específicos de la muestra.
• Los métodos de dispersión inversa basados en la física reconstruyen computáticamente las muestras, pero se enfrentan a desafíos debido a la optimización no convexa, lo que lleva a inexactitudes en medios de dispersión altamente.

Objetivo del estudio:

• Investigar cómo las diferentes estrategias de implementación de los métodos de dispersión inversa afectan la calidad de la reconstrucción.
• Desarrollar un enfoque robusto de dispersión inversa para imágenes 3D de alta resolución y sin etiquetas en muestras biológicas gruesas.

Principales métodos:

• Se utilizó la propagación de haz de múltiples rebanadas (MSBP), una técnica de dispersión inversa no convexa, para reconstruir el índice de refracción 3D (RI) de las muestras de dispersión.
• Evaluación sistemática del rendimiento MSBP en muestras fantasmas y biológicas.
• Empleó una función de costo de solo amplitud dentro del resolvedor inverso e incorporó diversidad angular y defocus en las mediciones de dispersión.

Principales resultados:

• Se ha demostrado que las estrategias de aplicación específicas influyen significativamente en la calidad de la reconstrucción por dispersión inversa.
• Se obtiene una imagen de alta calidad, totalmente volumétrica con resolución subcelular y contraste 3D sin etiquetas.
• Se obtuvieron imágenes con éxito de diversas muestras de dispersión múltiple, incluyendo tejidos biológicos gruesos.

Conclusiones:

• Las estrategias de dispersión inversa optimizadas, en particular el uso de funciones de costo de solo amplitud y diversas mediciones, permiten una imagen de IR 3D robusta.
• Este trabajo establece una base para aplicar técnicas de dispersión inversa a imágenes de tejidos profundos en muestras multicelulares.
• Introduce un nuevo paradigma para la imagen computacional de tejidos profundos con resultados biológicamente interpretables.