iLSM
请图解解释ilSM(inverted light sheet microscope)的原理
如果把 iLSM（Inverted Light Sheet Microscope，倒置光片显微镜） 用一句话解释：
它用一张极薄的激光“光刀片”切入样品，只照亮当前观察的那一层，而相机从侧面同时拍照，从而快速获得三维结构。
一、先理解普通显微镜的问题
普通荧光显微镜：
物镜
↓
┌─────────┐
│ 样品 │
└─────────┘
↑
激发光
问题：
激发光会照亮整个样品。
████████████████
████████████████
████████████████
████████████████
结果：
- 上下层同时发光
- 背景噪声高
- 容易光漂白（Photobleaching）
- 活细胞容易受损（Phototoxicity）
二、Light Sheet（光片显微镜）的核心思想
科学家想到：
既然只想看某一层，
那为什么不只照亮那一层？
于是：
把激光压成一张极薄的光片（Light Sheet）。
样品
████████████████
████████████████
================ ← 光片
████████████████
████████████████
只有光片位置被激发。
其余区域完全不受光照。
三、光片显微镜（LSM）工作原理
典型结构：
激光
↓
========= Light Sheet
→
→
→
样品
●
↑
│
物镜
│
相机
激发方向和成像方向互相垂直：
Detection
↑
│
│
● Sample
│
│
Light Sheet →
这是 Light Sheet Microscopy 最重要的特点。
四、什么是 Inverted（倒置）？
传统SPIM结构：
物镜
↑
Sample
→ 光片
很多样品需要吊起来放。
例如：
- 斑马鱼胚胎
- 小鼠脑组织
操作比较麻烦。
而 iLSM 改成：
样品
┌────────────┐
│ Petri Dish │
└────────────┘
↑ ↑
│ │
激发物镜 成像物镜
两个物镜都放在下面。
从下方工作。
类似倒置细胞培养显微镜。
五、iLSM实际光路
简化示意：
sCMOS Camera
↑
│
Detection Lens
↑
│
│
──────────────────────────────
培养皿 / 样品
──────────────────────────────
/
/
/
Excitation Lens
激发物镜：
- 产生薄光片
检测物镜：
- 收集荧光
相机：
- 一次拍完整层
因此速度非常快。
六、为什么速度特别快？
传统共聚焦：
■■■■■■■■■■■
□□□□□□□□□□□
□□□□□□□□□□□
□□□□□□□□□□□
逐点扫描。
光片显微镜：
■■■■■■■■■■■
■■■■■■■■■■■
■■■■■■■■■■■
■■■■■■■■■■■
整层同时拍摄。
因此：
Confocal
Point → Point → Point
Light Sheet
Plane → Plane → Plane
采集速度可提高几十倍到几百倍。
七、如何获得3D图像？
光片逐层移动：
Z = 1
========
Z = 2
========
Z = 3
========
Z = 4
========
每层拍一张：
Image 1
Image 2
Image 3
Image 4
AI或软件重建：
3D Volume
███
███████
█████████
███████
███
得到完整三维结构。
八、iLSM为什么特别适合脑科学？
例如：
小鼠脑透明化后：
Brain
██████████████
██████████████
██████████████
iLSM可以：
- 一层层扫描
- 每层拍整幅图
- 重建整个脑
获得：
神经元
血管
轴突
树突
完整三维连接图谱。
因此被广泛用于：
- Connectomics（连接组学）
- Brain Atlas（脑图谱）
- Whole Brain Imaging（全脑成像）
九、iLSM的优势
| 指标 | 共聚焦 | 双光子 | iLSM |
| 成像速度 | ★★ | ★ | ★★★★★ |
| 光毒性 | 高 | 中 | 低 |
| 光漂白 | 高 | 中 | 低 |
| 大样本扫描 | 一般 | 一般 | 极强 |
| 全脑成像 | 困难 | 困难 | 优秀 |
十、当前最先进的iLSM演化路线
现代系统已经从最早的SPIM发展到：
SPIM
↓
iSPIM
↓
iLSM
↓
Bessel Light Sheet
↓
Lattice Light Sheet
↓
Adaptive Light Sheet
↓
AI-assisted Light Sheet
代表系统包括：
- Janelia Research Campus 开发的 Lattice Light Sheet
- Eric Betzig 团队的超高分辨率光片系统
- 中国脑图谱项目采用的大视场 iLSM 系统
最直观的理解
把 iLSM 想象成：
普通显微镜
=
用探照灯照整个房间找东西
iLSM
=
用一张激光纸片
一层一层切开房间
同时拍照
最后重建成3D地图
因此它成为目前全脑成像、胚胎发育、类器官、细胞培养和透明化组织成像最重要的技术平台之一。
如果你感兴趣，我还可以进一步图解：
- iLSM 与 Confocal、Two-Photon、Lattice Light Sheet 的结构差异
- 中国脑图谱项目使用的 iLSM + Vibratome（切片刀）系统
- 为什么 iLSM 能扫描整个小鼠大脑而普通显微镜做不到。
Explain the iLSM + Vibratome system used in the China Brain Atlas project
The China Brain Atlas project (especially efforts led by groups at the Chinese Academy of Sciences and Huazhong University of Science and Technology) uses a combination of:
- iLSM (Inverted Light-Sheet Microscopy)
- Vibratome (precision tissue slicer)
- Tissue clearing
- Automated stage scanning
- AI-based image reconstruction
to image an entire mouse brain at cellular or even axonal resolution.
Why combine iLSM with a Vibratome?
A fundamental problem exists:
Light-sheet microscopy alone
works well for:
- transparent embryos
- organoids
- cleared small tissues
but eventually light scattering limits imaging depth.
Light Sheet
→
══════════════
██████████████
██████████████
██████████████
██████████████
The deeper the light travels:
Signal ↓
Blur ↑
Scattering ↑
Even cleared mouse brains eventually become difficult to image deeply with uniform quality.
The solution: Image + Cut + Repeat
Instead of trying to image through the entire brain:
Brain
████████████████████
████████████████████
████████████████████
████████████████████
the system performs:
IMAGE
↓
CUT
↓
IMAGE
↓
CUT
↓
IMAGE
↓
CUT
This is the key concept.
Overall architecture
sCMOS Camera
↑
│
Detection Lens
↑
│
──────────────────────────────────
Cleared Mouse Brain
──────────────────────────────────
↗ Light Sheet
Excitation Objective
XYZ Stage
↓
Vibratome
The vibratome sits beside the imaging chamber.
After a block is imaged:
the stage moves the sample to the blade.
The vibratome removes the already-imaged layer.
Then imaging resumes.
Step 1 — Generate a thin light sheet
The illumination objective converts laser light into a sheet.
Laser
↓
══════════════════
Thickness:
typically a few microns.
Only a thin optical plane fluoresces.
████████████████
════ Imaging ════
████████████████
This minimizes photobleaching and speeds imaging.
Step 2 — Capture an optical volume
Instead of a single image:
the stage moves continuously.
Z1
Z2
Z3
Z4
Z5
The camera records thousands of slices.
Result:
3D Volume
for that region of brain.
Step 3 — Mosaic scanning
A mouse brain is much larger than the microscope field of view.
So the system tiles the brain.
┌───┬───┬───┐
│ A │ B │ C │
├───┼───┼───┤
│ D │ E │ F │
├───┼───┼───┤
│ G │ H │ I │
└───┴───┴───┘
Each tile is imaged separately.
Then stitched together computationally.
Step 4 — Vibratome removes the imaged tissue
Once the current depth is complete:
Before
████████████████
████████████████
████████████████
████████████████
the vibratome slices off the top block:
Blade
────────────────
████████████████
████████████████
Typical removed thickness:
- hundreds of microns
- up to several millimeters
depending on transparency and imaging requirements.
Step 5 — Expose a fresh surface
After cutting:
Fresh Brain Surface
═══════════════════
███████████████████
███████████████████
The microscope is again very close to the tissue surface.
Advantages:
- no deep scattering
- constant image quality
- constant resolution
through the entire brain.
Complete acquisition cycle
Image Layer 1
↓
Slice Layer 1
↓
Image Layer 2
↓
Slice Layer 2
↓
Image Layer 3
↓
Slice Layer 3
↓
...
↓
Whole Brain Finished
This is sometimes called:
serial imaging + sectioning.
Why this is powerful for a Brain Atlas
The atlas requires:
Cell-level localization
Neuron A
Neuron B
Neuron C
Long axon tracing
Neuron
│
│
└──────────────────►
An axon can travel centimeters across a mouse brain.
The imaging system must not lose continuity.
The image–cut–image approach allows continuous reconstruction across the whole brain volume.
Data scale
A single whole-brain experiment can generate:
10 TB
50 TB
100+ TB
of image data.
Pipeline:
Microscope
↓
Tile Stitching
↓
Registration
↓
Neuron Segmentation
↓
Axon Tracing
↓
Brain Atlas
Modern AI and distributed computing are required to process these datasets.
Relationship to China's other whole-brain imaging systems
China has developed several major platforms:
| System | Principle | Resolution | Speed |
| MOST | image + section | ultra-high | slower |
| fMOST | fluorescence block-face imaging | submicron | slower |
| VISoR | oblique light-sheet imaging | fast | very high |
| iLSM + Vibratome | light-sheet + slicing | balanced | very high |
The China Brain Atlas effort uses different systems depending on whether the goal is:
- cell counting
- projection mapping
- vascular mapping
- whole-brain connectomics
- gene-expression atlases.
Simplest mental model
Imagine a loaf of bread:
█████████████
█████████████
█████████████
█████████████
A normal microscope tries to look through the whole loaf.
An iLSM + Vibratome system instead:
Scan Slice #1
Cut
Scan Slice #2
Cut
Scan Slice #3
Cut
until the entire loaf has been digitized.
The result is a micron-resolution 3D digital brain, where researchers can follow individual neurons, blood vessels, and long-range axon projections across the entire mouse brain.
我看其他介绍ilSM文章里提到通过使用阵列激光光子捕捉器来接收激光照射物体反射回来的激光光子，请对此给出更详细的解释和说明
这里可能存在一个容易混淆的概念。
在很多中文文章、新闻稿甚至一些AI生成内容中，经常把：
- 激光扫描雷达（LiDAR）
- 共聚焦显微镜
- 双光子显微镜
- Light Sheet Microscope（LSM/iLSM）
混在一起描述。
但实际上：
iLSM并不是依靠“接收反射回来的激光光子”成像的。
它主要是：
接收样品中的荧光分子被激发后发出的荧光光子（Fluorescence Photons）。
这是两个完全不同的物理过程。
第一层：LiDAR模式（反射光）
例如自动驾驶激光雷达：
激光发射
↓
●物体
↑
反射光返回
探测器测量：
发射时间
→
返回时间
得到：
- 距离
- 形状
这种叫：
Backscattered Photon Detection
（反向散射光检测）
第二层：iLSM模式（荧光光）
iLSM工作方式：
激光
↓
绿色激发光
═══════════════
样品中的荧光蛋白
例如：
- GFP
- tdTomato
- Alexa Fluor
- DAPI
被激发后：
激发光
488nm
↓
荧光分子
↓
发射光
510nm
于是：
激光 →
GFP
↗
↗
↗
荧光光子
检测物镜收集的是：
发射荧光
不是反射激光。
光路图
相机
↑
↑
荧光光子
↑
检测物镜
↑
────────────────────────
样品
────────────────────────
═══════════════════════
Light Sheet
激发激光 →
那么“阵列激光光子捕捉器”是什么？
实际上大概率指：
Detector Array
即：
CCD
CMOS
sCMOS
EMCCD
这种二维探测器阵列。
例如：
现代中国脑图谱系统常用：
Scientific CMOS (sCMOS)
结构：
┌──────────────────┐
│□ □ □ □ □ □ □ □ □│
│□ □ □ □ □ □ □ □ □│
│□ □ □ □ □ □ □ □ □│
│□ □ □ □ □ □ □ □ □│
└──────────────────┘
每个小方格：
一个像素。
每个像素都是：
Photon
↓
Photodiode
↓
Electron
↓
Signal
例如：
2048×2048
2048 rows
×
2048 columns
=
4,194,304个探测单元。
所以：
一个神经元
发出的荧光：
*
***
*****
***
*
会同时落到几百个像素上。
形成图像。
为什么说是“光子捕捉器”？
因为现代sCMOS已经接近：
Single Photon Sensitivity
单光子灵敏度
即：
1个光子
↓
被探测
都可以记录。
例如：
中国脑图谱常用系统：
- Hamamatsu ORCA Flash
- PCO Edge
- Andor Zyla
都属于这一类。
更先进的情况：SPAD阵列
近几年出现：
SPAD
Single Photon Avalanche Diode
单光子雪崩二极管
结构：
Photon
↓
SPAD
↓
Avalanche
↓
Large Signal
一个光子进入：
1
↓
10000+
电子
放大。
阵列形式：
□□□□□□□□□□□□□□□□
□□□□□□□□□□□□□□□□
□□□□□□□□□□□□□□□□
□□□□□□□□□□□□□□□□
形成：
SPAD Array
这种技术：
现在开始进入：
- 超高速显微镜
- FLIM（荧光寿命成像）
- 神经活动成像
领域。
中国脑图谱中的实际探测器
目前大多数全脑成像系统：
例如：
- VISoR
- fMOST
- iLSM
主要仍然采用：
sCMOS
而不是SPAD。
原因：
| 指标 | sCMOS | SPAD |
| 分辨率 | 高 | 低 |
| 面积 | 大 | 小 |
| 成本 | 低 | 高 |
| 全脑扫描 | 优秀 | 一般 |
如果未来升级
未来趋势：
Light Sheet
+
SPAD Array
+
AI Reconstruction
可能达到：
单神经元放电
实时
全脑监测
这是当前脑科学仪器发展的重要方向。
用人体传感器OS的角度理解
如果把 iLSM 比作你正在研究的：
人体数字孪生
系统：
那么：
Light Sheet
=
数据采集光源
荧光蛋白
=
生物标签
sCMOS阵列
=
传感器矩阵
AI重建
=
Knowledge Graph
整个过程其实是：
激发
↓
荧光产生
↓
数百万像素同时接收
↓
形成3D体数据
↓
AI重建神经网络
而不是：
激光
↓
反射
↓
测距离
那是 LiDAR 的原理，不是 iLSM 的主流工作模式。
如果你看到的文章具体提到“阵列激光光子捕捉器（Array Laser Photon Catcher）”“SPAD Array”“PMT Array”“GaAsP Detector Array”或者“中国脑图谱项目某型号 iLSM”，把文章链接或原文贴出来，我可以进一步判断它到底是在说：
- sCMOS探测阵列
- SPAD单光子阵列
- PMT（光电倍增管）阵列
- APD阵列
- 反射式光片显微镜（rare）
- 双光子光片显微镜（2P-LSM）
因为这几种技术背后的物理原理差异其实非常大。
请解释一下ILSM中0.5uw激光光源是如何形成的，然后是如何调制为LIGHT SHEET的？
这是一个非常好的问题，因为它涉及 iLSM 的核心光学工程。
需要先澄清一个单位问题：
你提到的 0.5 uW（微瓦）激光光源，实际上并不是激光器本身的输出功率。
在很多 iLSM 论文中看到：
Laser Power = 0.5 μW
通常表示：
到达样品（sample plane）的有效激发功率
而不是激光器内部产生的原始功率。
实际激光器往往是：
50 mW
100 mW
200 mW
500 mW
甚至更高。
经过：
- 光纤
- 扩束镜
- 滤光片
- AOTF
- 光阑
- 扫描系统
之后，
最终到达样品时可能只剩：
0.5 μW
1 μW
5 μW
整个过程
Step 1
激光产生
例如：
488 nm
蓝光激光器
结构：
┌──────────────┐
│ Laser Diode │
└──────────────┘
原理类似激光笔。
内部：
电流
↓
半导体PN结
↓
受激辐射
↓
激光
输出：
488 nm
单色光。
Step 2
准直（Collimation）
刚出来的激光：
\
\
\
\
会发散。
因此先经过准直镜：
||||||||||||||
变成平行光。
Step 3
功率调制
iLSM 不会一直使用满功率。
例如：
激光器：
100 mW
但样品只需要：
0.5 μW
因此需要衰减：
约
200,000 倍
通常采用：
AOTF
Acousto-Optic Tunable Filter
Laser
↓
AOTF
↓
0.1%
↓
Sample
或者：
AOM
Acousto-Optic Modulator
或者：
ND Filter
中性密度滤光片
Step 4
扩束（Beam Expansion）
原始激光束：
•
太细。
经过扩束镜：
OOOOOOOOOOOOOO
直径扩大。
例如：
1 mm
↓
10 mm
原因：
后面需要形成均匀光片。
Step 5
形成 Light Sheet
这是最关键部分。
普通激光束：
○
横截面：
圆形。
但光片需要：
══════════════════
极薄的平面。
怎么做到？
使用：
Cylindrical Lens
柱面透镜
普通透镜：
○
两个方向同时聚焦。
柱面透镜：
||||||||||
只在一个方向聚焦。
效果：
圆点
○
变成：
──────────────
线。
再通过物镜：
──────────────
↓
Focused
形成：
══════════════════
光片。
光片厚度
通常：
1 μm
2 μm
5 μm
10 μm
例如：
神经元成像：
2 μm
左右。
Step 6
为什么叫 Sheet？
实际上不是无限平面。
真实形状：
)(
) (
) (
中间最薄。
称为：
Gaussian Light Sheet
高斯光片
横截面：
|
|
------|------
|
|
更先进的方法
为了获得更薄光片：
现代 iLSM 不一定直接用柱面透镜。
Bessel Beam
贝塞尔光束
形状：
|
|
|
|
|
传播距离长。
Lattice Light Sheet
Eric Betzig 发明
利用：
多个贝塞尔束干涉
|||||||||||||||||
形成晶格。
优点：
更薄
更均匀
更远距离
中国脑图谱系统常见结构
例如 VISoR/iLSM：
大致：
488nm Laser
↓
AOTF
↓
Beam Expander
↓
Cylindrical Lens
↓
Illumination Objective
↓
═══════════════════
Light Sheet
═══════════════════
Brain Tissue
为什么0.5 μW就够？
很多人第一次看到会惊讶：
0.5 μW
=
0.0000005 W
这么小？
原因：
Light Sheet 极其高效。
普通显微镜：
整个体积
全部照亮
Light Sheet：
只照亮2μm厚的一层
激发体积减少：
100倍
1000倍
因此：
100 mW
共聚焦效果
≈
0.5~5 μW
Light Sheet效果
在某些实验条件下是完全可能的。
用最直观的比喻
普通显微镜：
像打开房间所有灯
Light Sheet：
像拿一张极薄的激光纸片
一次只照亮
一层书页
而这张“激光纸片”就是通过：
激光二极管
↓
准直
↓
扩束
↓
AOTF调功率
↓
柱面透镜
↓
照明物镜
↓
Light Sheet
形成的。
从光学设计角度看，iLSM 最核心的发明其实不是激光器本身，而是：
把原本圆柱形的高斯激光束，通过柱面透镜、扫描振镜、贝塞尔束或晶格光学系统，变成一张厚度只有 1–5 μm、宽度却能达到数毫米的“光学刀片（Light Sheet）”。
这才是 iLSM 能够实现高速全脑成像的关键。
请解释一下AI + ILSM的框架中，AI的主要着力点细节
这是目前脑图谱（Brain Atlas）、连接组学（Connectomics）、数字脑（Digital Brain）领域最值得关注的方向之一。
实际上：
iLSM负责产生PB~TB级原始图像数据，而AI负责把这些图像转化成可计算的神经网络知识图谱。
如果没有AI，
今天的全脑成像几乎无法落地。
AI + iLSM整体架构
生物脑
↓
iLSM + Vibratome
↓
原始图像 (TB~PB)
↓
AI Image Pipeline
↓
Cell Atlas
↓
Neuron Atlas
↓
Axon Atlas
↓
Brain Graph
↓
Digital Brain
从工程角度看：
iLSM只完成了约20%的工作。
AI完成剩余80%。
第一层：AI去噪（Denoising）
iLSM原始图像：
神经元 + 噪声
类似：
*******
**#****
***#***
****#**
*******
来源：
- 光子统计噪声
- 散射
- 背景荧光
- 相机噪声
AI任务：
恢复真实结构。
现代常用：
- U-Net
- CARE
- Noise2Void
- Noise2Self
目标：
模糊
↓
AI
↓
清晰
第二层：AI超分辨率
iLSM受到：
- 光学衍射极限
- 光片厚度
限制。
例如：
真实轴突
──────
成像后：
══════
变粗。
AI超分辨率：
恢复细节。
常见：
- SRCNN
- ESRGAN
- SwinIR
- Restormer
效果：
2μm
↓
0.5μm等效
第三层：图像拼接（Stitching）
全脑扫描：
A1 A2 A3
B1 B2 B3
C1 C2 C3
可能数万张。
AI负责：
找到重叠区域。
例如：
A2
overlap
↓
A3
自动对齐。
传统方法：
- SIFT
- SURF
现代：
- Transformer Matching
- Deep Feature Matching
第四层：切片配准（Registration）
iLSM+Vibratome：
切一次
拍一次
会产生：
Layer1
Layer2
Layer3
之间轻微形变。
AI进行：
Elastic Registration
弹性配准。
目标：
恢复真实脑结构。
常用：
- VoxelMorph
- DeepReg
第五层：细胞检测
这是脑图谱核心任务之一。
原图：
●
●●
●
AI识别：
Cell #1
Cell #2
Cell #3
输出：
XYZ坐标
例如：
Neuron 123
X=132.5
Y=543.1
Z=212.4
常见模型：
- U-Net
- Cellpose
- StarDist
第六层：细胞分类
识别：
这是哪类神经元？
例如：
兴奋性神经元
抑制性神经元
星形胶质细胞
少突胶质细胞
AI输入：
形态
位置
基因表达
输出：
Cell Type
第七层：神经元分割
这是最难的一步之一。
原始图：
神经元A
神经元B
神经元C
互相交叉
AI需要回答：
哪些像素属于A？
哪些属于B？
这叫：
Neuron Segmentation
现代方法：
- Flood Filling Network (FFN)
- 3D U-Net
- MaskFormer
Google Connectomics大量采用FFN。
第八层：轴突追踪（Axon Tracing）
真正的数据爆炸点。
一个神经元：
●───────►
可能跨越：
数厘米
穿越整个脑区。
AI需要自动追踪。
Neuron A
↓
Axon
↓
Target Region
这一步传统人工几乎无法完成。
目前：
- DeepTracer
- NeuroGPS
- FFN
大量使用。
第九层：突触识别
下一阶段重点。
AI判断：
Neuron A
↓
Synapse
↓
Neuron B
是否形成连接。
得到：
A → B
形成：
神经连接矩阵。
第十层：脑区自动注释
例如：
海马
前额叶
丘脑
杏仁核
AI自动配准到标准脑图谱。
例如：
Allen Institute 的脑图谱。
输出：
Cell 123
Located in CA1
第十一层：构建知识图谱
此时开始进入LLM时代。
AI把：
Neuron
Axon
Synapse
Brain Region
Gene
转化为：
Graph Database
例如：
Neuron_123
CONNECTED_TO
Neuron_567
存储于：
- Neo4j
- TigerGraph
- ArangoDB
第十二层：Brain Foundation Model
未来方向。
类似GPT。
输入：
脑连接图
脑活动
基因表达
训练：
Brain GPT
目标：
回答：
如果刺激这里？
会发生什么？
或者：
这条神经通路损伤后？
哪些功能受影响？
如果用你正在研究的“人体传感器操作系统”类比
你可以把整个系统看成：
| 人体OS | Brain Atlas |
| CGM | 荧光标记 |
| Oura | 神经元成像 |
| TimescaleDB | 原始图像库 |
| pgvector | 特征向量 |
| Knowledge Graph | 神经连接图 |
| Agent | Brain Foundation Model |
因此目前 AI 在 iLSM 体系中的主要着力点可以概括为：
Acquire
(采集)
↓
Enhance
(去噪/超分辨)
↓
Understand
(识别细胞)
↓
Trace
(追踪轴突)
↓
Connect
(发现突触)
↓
Graph
(构建连接图)
↓
Reason
(脑基础模型)
从2026年的发展趋势看，最有价值的突破已经不再是把 iLSM 做得更快，而是利用 AI 将海量显微图像自动转换为可查询、可推理的神经知识图谱和数字脑模型。这也是全球多个项目（包括 Allen Institute、Chinese Academy of Sciences 等）正在重点投入的方向。
There are no comments for now.