Kwantiatieve oblique back-illumination-microscopie met een enkele opname

Levende cellen zien zonder kleurstoffen

De moderne geneeskunde is in toenemende mate afhankelijk van het observeren van levende cellen in actie, maar de meeste microscopen vereisen nog steeds fluorescerende kleurstoffen of trage scantechnieken die weefsels kunnen verstoren. Deze studie introduceert een nieuwe manier om scherpe, driedimensionale beelden van levend weefsel vast te leggen met één enkele camerafoto en zonder labels, wat artsen en onderzoekers mogelijk in staat stelt om bloedstroom en cellulaire veranderingen in realtime te volgen, direct in het lichaam.

Een snellere manier om in dik weefsel te kijken

Veel krachtige beeldvormingstools kennen een afweging: sommige scannen snel maar missen fijne details, terwijl andere rijke cellulaire structuren onthullen maar traag zijn of beperkt tot dunne monsters op objectglaasjes. Een eerdere techniek, kwantitatieve oblique back-illumination-microscopie (qOBM), loste een deel van dit probleem op door licht van boven in het weefsel te sturen, waarbij verstrooid licht fungeert als een verborgen lichtbron binnen dikke, troebele monsters. qOBM kan meten hoeveel het lichtgolffront door cellen wordt vertraagd — een eigenschap die samenhangt met hun interne structuur — in drie dimensies. Traditionele qOBM vereiste echter vier afzonderlijke camera-opnames vanuit verschillende belichtingshoeken, wat het proces vertraagde en het kwetsbaar maakte voor onscherpte wanneer het monster bewoog.

Een microscoop leren denken

Om deze bottleneck weg te nemen, ontwikkelden de auteurs single-capture qOBM (SCqOBM). In plaats van vier beelden uit verschillende richtingen te verzamelen, maakt SCqOBM slechts één opname met licht dat onder een enkele schuine hoek binnenvalt. Een deep learning-model — gebaseerd op een U-Net, een veelgebruikte neurale netwerkarchitectuur voor beeldverwerking — leert die ene ruwe opname vervolgens om te zetten in hetzelfde soort gedetailleerde kaart dat vroeger met vier opnames werd verkregen. Het team trainde en testte dit netwerk met duizenden voorbeelden waarvan het "juiste antwoord" al bekend was uit de standaard vier-opname qOBM, zodat het model leerde hoe subtiele helderheidspatronen corresponderen met de werkelijke weefselstructuur.

Bewezen werkzaamheid op bloed en hersenen

Als eerste testten de onderzoekers SCqOBM op navelstrengbloed dat in opslagzakken bewaard werd. Bloedcellen zijn relatief eenvoudig en symmetrisch, waardoor ze een ideaal startpunt vormen. Ze toonden aan dat zowel single-capture als two-capture varianten van de methode de vormen en optische eigenschappen van rode en witte bloedcellen vrijwel exact reproduceerden, met slechts kleine numerieke verschillen ten opzichte van de vier-opname gouden standaard. In sommige gevallen produceerde de single-capture methode zelfs schonere beelden omdat ze een lichtkleur gebruikte die minder sterk door hemoglobine werd geabsorbeerd, wat de ruis in de metingen verminderde.

Vervolgens gingen ze een grotere uitdaging aan: dik rattenhersenweefsel, inclusief gezonde cortex, tumoren en tumorranden. Deze monsters hebben ingewikkelde en sterk gevarieerde structuren. Zelfs hier kwamen de deep learning-reconstructies dicht in de buurt van traditionele qOBM, waarbij zowel grove tumorgebieden als fijne details in normaal hersenweefsel werden vastgelegd. Opmerkelijk is dat een model dat alleen op rattenhersenbeelden was getraind ook goed werkte op menselijke hersentumormonsters, wat suggereert dat de aanpak generaliseert over soorten en weefseltypen. Analyse in het frequentiedomein bevestigde een subtiele beperking: omdat SCqOBM licht slechts vanuit één hoek ziet, kan het niet volledig informatie herstellen langs een smalle band van richtingen, maar het "hallucineert" geen ontbrekende structuren; het laat die band simpelweg iets ondervertegenwoordigd.

Bloedstroom in realtime volgen

Met zijn snelheidvoordeel kan SCqOBM snelle processen vastleggen die met meermaals-opgenomen methoden zouden vervagen. Het team gebruikte een hogesnelheidscamera om bloedvaten in muizenhersenen op te nemen met ongeveer 2000 frames per seconde, en gebruikte daarna het SCqOBM-model om elk frame om te zetten in een kwantitatieve kaart. Door te volgen hoe het brekingsindex-patroon van stromende bloedcellen in de tijd verschoof, maten ze stroomsnelheden van ongeveer 1 millimeter per seconde in kleine vaten tot meer dan 60 millimeter per seconde in grotere vaten, wat overeenkomt met verwachte bloedstroomprofielen. Ze konden zelfs langzaam rollende witte bloedcellen langs vaatwanden volgen — gebeurtenissen die samenhangen met immuunreacties en ontsteking — terwijl de toestand van het dier veranderde.

Driedimensionale beelden van menselijk huid

Tot slot toonden de auteurs aan dat SCqOBM volumetrische beelden van levende menselijke huid op de onderarm kan vastleggen, bij bijna videorates. Door de focus snel op en neer te bewegen met een piezo-stage verzamelden ze stapels single-capture beelden, zetten elk beeld met SCqOBM om naar fase en verfijnden daarna het volume met een tweede deep learning-algoritme. De resulterende 3D-weergaven tonen duidelijke huidlagen en kleine capillairen die individuele rode bloedcellen transporteren op dieptes van meer dan 100 micrometer. Afhankelijk van hoe groot een gebied ze in beeld brengen en hoeveel diepteslices ze nemen, kunnen ze veldgrootte ruilen voor snelheid, en bereiken tot 10 volumes per seconde terwijl cellulaire en subcellulaire details behouden blijven.

Wat dit voor de geneeskunde kan betekenen

In eenvoudige bewoordingen laat dit werk zien dat een microscoop met een enkele lichtflits en kunstmatige intelligentie rijke, driedimensionale informatie kan reconstrueren uit dik, levend weefsel, zonder kleurstoffen of fysiek contact. Hoewel er nog beperkingen zijn — sommige richtingen van fijne details zijn moeilijker te herstellen vanuit slechts één belichtingshoek — levert de methode beeldkwaliteit die dicht bij tragere, complexere systemen ligt, terwijl ze snelheden bereikt die vergelijkbaar zijn met de snelste light-sheet-microscopen. Omdat de hardware relatief eenvoudig is — een brightfield-microscoop met een enkele LED — zou SCqOBM uiteindelijk geavanceerde, labelvrije beeldvorming toegankelijker kunnen maken in onderzoekslabs en klinieken, en niet-invasieve bloedanalyses, realtime monitoring van hersenen en huid, en andere toepassingen mogelijk maken waarbij snelheid en zachtheid cruciaal zijn.

Bronvermelding: Casteleiro Costa, P., Bharadwaj, S., Li, Z. et al. Single capture quantitative oblique back-illumination microscopy. npj Imaging 4, 13 (2026). https://doi.org/10.1038/s44303-026-00147-w

Trefwoorden: beeldvorming zonder labels, deep learning-microscopie, kwantitatieve fasebeeldvorming, meting van bloedstroom, in vivo huid- en hersenbeeldvorming