Intensity-based scattering correction enables in vivo two-photon imaging beyond 1 mm

O cérebro é uma fortaleza de tecido biológico, denso e turvo, o que torna o ato de olhar profundamente em seu interior com luz um desafio formidável. Durante décadas, cientistas têm utilizado uma poderosa técnica de imagem chamada microscopia de dois fótons para observar cérebros vivos com uma clareza incrível. Este método utiliza pulsos de luz para fazer pequenos marcadores fluorescentes brilharem, permitindo que pesquisadores vejam células individuais e suas conexões. No entanto, conforme a luz viaja mais profundamente, ela rebate no tecido espalhador do cérebro, de forma muito semelhante a um feixe de lanterna se difundindo em uma névoa espessa. Esse espalhamento embaça a imagem e atenua o sinal, efetivamente prendendo a visão do microscópio na camada superior do cérebro, o córtex. Para visualizar estruturas mais profundas, como o hipocampo, que é vital para a memória, os pesquisadores tradicionalmente precisavam mudar para microscópios de três fótons ainda mais complexos e caros ou utilizar comprimentos de onda de luz mais longos, que são mais difíceis de gerar.

Uma equipe de pesquisadores da Universidade da Califórnia, Davis, encontrou agora uma maneira de levar os limites dos microscópios de dois fótons padrão muito mais fundo do que antes. Eles desenvolveram um novo método chamado DeepFOCUS, que utiliza uma forma de inteligência artificial não para corrigir uma imagem borrada após ela ser tirada, mas para moldar a luz antes mesmo de ela entrar no cérebro. Ao calcular um padrão específico de intensidade de luz em tempo real, o sistema compensa o tecido espalhador, permitindo que a luz foque nitidamente mesmo um milímetro ou mais abaixo da superfície. Esse avanço significa que os microscópios de dois fótons existentes, que são comuns em laboratórios de neurociência, poderiam potencialmente ser atualizados para ver estruturas profundas do cérebro sem a necessidade de hardware inteiramente novo e especializado.

O cerne desta conquista reside em como os pesquisadores lidam com o caos do espalhamento da luz. Quando a luz passa pelo cérebro, ela é embaralhada, e os fótons chegam ao alvo em desordem. Os métodos tradicionais tentam reverter esse embaralhamento medindo a distorção e aplicando uma contra-distorção, mas isso frequentemente falha em tecidos profundos porque o sinal se torna muito fraco para ser medido com precisão. A equipe do DeepFOCUS adotou uma abordagem diferente. Em vez de tentar reverter a frente de onda da luz, eles focaram na intensidade, ou brilho, da luz. Eles usaram um dispositivo de microespelhos digitais, um chip coberto por milhares de minúsculos espelhos, para projetar padrões aleatórios de luz no cérebro. À medida que esses padrões atingem o tecido, algumas partes da luz interferem construtivamente, criando um ponto mais brilhante, enquanto outras se cancelam.

O sistema então mediu o brilho resultante dos marcadores fluorescentes no cérebro. Uma rede neural leve e autossupervisionada analisou essas medições de brilho para descobrir quais espelhos específicos no chip deveriam ser ligados para criar o padrão de luz mais eficaz. Esta rede não dependia de um banco de dados de imagens pré-treinado; em vez disso, ela aprendeu diretamente das condições de espalhamento específicas do cérebro que estava observando no momento. Assim que a rede identificou o melhor padrão, ela projetou esse padrão no cérebro, moldando fisicamente a luz para atravessar o tecido espalhador e focar nitidamente no alvo. Esse processo acontece em tempo real, permitindo que o microscópio escaneie e corrija a imagem conforme ela se move.

Os pesquisadores testaram este sistema em camundongos vivos, imageando através de toda a espessura do córtex cerebral e da substância branca altamente espalhadora abaixo dele. Sem a correção, as imagens de vasos sanguíneos e neurônios tornavam-se indistintas e desapareciam rapidamente à medida que o microscópio penetrava mais profundamente. Com o DeepFOCUS, a equipe conseguiu imagear vasos sanguíneos fluorescentes até uma profundidade de 1,1 milímetros e visualizar neurônios individuais no hipocampo a uma profundidade de 1,2 milímetros. Nessas profundidades, as imagens corrigidas revelaram detalhes finos, como capilares minúsculos e os delicados ramos de neurônios, com uma clareza que era anteriormente impossível com a microscopia de dois fótons padrão no comprimento de onda que utilizaram. O sistema alcançou isso dividindo o cérebro em pequenas subregiões e calculando um padrão de correção único para cada uma, garantindo que a luz permanecesse focada mesmo conforme as propriedades de espalhamento mudavam em diferentes áreas do cérebro.

Este trabalho demonstra que o limite de profundidade da microscopia de dois fótons não é uma barreira fixa, mas um desafio que pode ser superado com um controle de luz mais inteligente. Os pesquisadores mostraram que, ao usar uma rede neural para computar os padrões de intensidade corretos, eles puderam recuperar o sinal de profundidades que antes eram acessíveis apenas com sistemas de três fótons mais complexos. O método funciona ao moldar fisicamente a luz de excitação para aumentar o sinal, em vez de tentar restaurar digitalmente uma imagem degradada após o fato. Essa distinção é crucial porque evita o risco de criar detalhes falsos, ou "alucinações", que podem ocorrer quando um software tenta adivinhar como uma imagem borrada deveria ser. Em vez disso, o sistema valida cada correção medindo a fluorescência real que produz.

As implicações para a neurociência são significativas. O hipocampo é uma região crítica para o aprendizado e a memória, mas tem sido difícil estudá-lo em animais vivos sem procedimentos invasivos. Ao permitir o imageamento de alta resolução desta estrutura profunda em um cérebro intacto, o DeepFOCUS abre novas portas para observar como os circuitos neurais funcionam em tempo real. Os pesquisadores observaram que seu sistema poderia ser implementado atualizando microscópios de dois fótons existentes com um dispositivo de microespelhos digitais e o software necessário, tornando o imageamento do cérebro profundo mais acessível a laboratórios ao redor do mundo. Embora a técnica ainda não alcance os limites absolutos mais profundos do cérebro, ela empurra a fronteira do que é possível com equipamentos padrão, provando que o imageamento de tecido profundo pode ser alcançado através da manipulação inteligente da intensidade da luz, em vez de apenas força bruta ou hardware mais complexo.

O estudo também avaliou cuidadosamente os parâmetros do sistema para garantir robustez. Eles testaram como o número de padrões de luz usados para a detecção afetava a qualidade da correção, descobrindo que um número específico de medições fornecia um equilíbrio confiável entre velocidade e precisão. Eles também otimizaram a estrutura da rede neural, determinando o tamanho ideal para suas unidades de processamento interno para lidar com os dados de forma eficiente e sem complexidade desnecessária. Esses testes confirmaram que o sistema poderia se adaptar a diferentes condições de espalhamento e manter alto desempenho em várias profundidades e tipos de tecido. Os resultados foram consistentes, mostrando aumentos substanciais no brilho e na clareza da imagem, com algumas áreas apresentando uma melhoria de quase seis vezes na força do sinal.

Em última análise, esta pesquisa oferece um caminho prático para o estudo do cérebro profundo. Ela preenche a lacuna entre as capacidades da tecnologia atual de dois fótons e as necessidades dos neurocientistas que requerem acesso a regiões subcorticais. Ao transformar o problema do espalhamento em um quebra-cabeça solucionável por uma rede neural, a equipe forneceu uma ferramenta que é tanto poderosa quanto adaptável. A capacidade de ver profundamente no cérebro vivo com resolução subcelular, utilizando um método que é compatível com configurações laboratoriais existentes, representa um passo significativo para a compreensão do funcionamento complexo do cérebro na saúde e na doença. O trabalho é um testemunho do poder de combinar a física óptica com métodos computacionais modernos para resolver desafios biológicos de longa data.