Forskare har utvecklat en kombination av kommersiellt tillgänglig hårdvara och programvara med öppen källkod, som heter PySight, som förbättrar snabb 2-D och 3-D avbildning av hjärnan och andra vävnader. Genom att sömlöst möjliggöra integration av den snabbaste 3D-bildlösningen som finns tillgänglig idag, framstegen inom mikroskopi kan hjälpa forskare att bättre förstå hjärnans dynamik och upptäcka nya behandlingar för hälsoproblem som stroke, epilepsi och demens.

I Optica , The Optical Societys tidskrift för forskning med hög effekt, forskarna beskriver PySight, som fungerar som ett tillägg för laserskanningsmikroskop. Utrustad med denna nya kombination av mjukvara och hårdvara, de förbättrade kvaliteten på 2-D och 3-D avbildning av neuronal aktivitet i den levande hjärnan.

Eftersom det kan avbilda djupt in i vävnaden, en laserbaserad avbildningsteknik känd som multifotonmikroskopi används ofta för att studera nervcellers snabba aktivitetsmönster, blodkärl och andra celler med hög upplösning över tid. Denna mikroskopimetod använder laserpulser för att excitera fluorescerande prober, framkalla emission av fotoner, av vilka några detekteras och används för att skapa 2D- och 3D-bilder.

Att försöka fånga hela bredden av neuronaktivitet med multifotonmikroskopi tvingar forskare att ta bilder snabbare. Som ett resultat, färre och färre fotoner blir tillgängliga för att bilda bilder, ungefär som att ta ett foto med kortare och kortare exponeringstider. Utmaningen blir då hur man får meningsfulla bilder under dessa dunkla förhållanden.

"För att tackla denna utmaning, mikroskopister har använt en detektoravläsningsmetod som kallas fotonräkning, " sa forskargruppsledaren Pablo Blinder från Tel Aviv University i Israel. "Men, eftersom implementeringen krävde omfattande elektronikkunskap och anpassade komponenter, fotonräkning har aldrig antagits allmänt. Dessutom, kommersiellt tillgängliga fotonräkningslösningar var illa lämpade för att utföra mycket snabb avbildning, såsom krävs för 3-D-avbildning. PySights enkla installationsprocedur och dess integration med toppmodern hårdvara eliminerar sådana problem."

Förutom att främja neural avbildningsforskning, PySights förbättrade känslighet kan underlätta snabb intraoperativ identifiering av maligna celler hos mänskliga patienter med hjälp av multifotonmikroskopi. PySights nya tillvägagångssätt för att rekonstruera 3D-scener kan också förbättra prestandan för ljusdetektering och avstånd, eller LIDAR. Detta kan bidra till att sänka kostnaderna för självkörande bilar som använder LIDAR för att kartlägga sin omgivning.

Detekterar enstaka fotoner i 3D

PySight ger hög spatiotemporal upplösning samtidigt som den producerar en dataström som skalas med antalet detekterade fotoner, inte volymen eller området som avbildas. "Konventionell datainsamlingshårdvara lagrar ljusstyrkan för varje pixel eller 3-D-voxel även när den är noll eftersom inga fotoner upptäcktes på den specifika platsen, " förklarade Blinder. "PySight, dock, lagrar endast den exakta detektionstiden för varje foton. Om inga fotoner upptäcktes, ingenting skrivs till disken. Detta gör det möjligt för forskare att utföra snabb avbildning av stora volymer under långa sessioner, utan att kompromissa med rumslig eller tidsmässig upplösning."

För att rekonstruera en flerdimensionell bild, Det räcker inte att veta när varje foton träffar detektorn. Det är nödvändigt att också veta var det har sitt ursprung i hjärnan. "Detta är ännu svårare om du vill förenkla systemet och undvika att synkronisera de olika skanningselementen, " sade Blinder. "För att åstadkomma detta, vår programvara läser en lista över fotonernas ankomsttider tillsammans med tidssignaler från skanningselementen, bestämmer ursprunget för varje foton i provet och genererar motsvarande 3D-filmer."

Fotonernas ankomsttider genereras av en enhet som kallas en tidsdigitaliserare med flera händelser, eller multiscaler, som registrerar tiderna med en precision på 100 pikosekunder. En annan nyckelkomponent var en resonant axiell skanningslins från hyllan som ändrar fokalplanet hundratusentals gånger per sekund. Denna lins användes för att snabbt skanna laserstrålen över olika djup i hjärnan och gjorde det möjligt för teamet att rekonstruera kontinuerliga 3D-bilder.

Lättare, kostnadseffektiv, kontinuerlig 3D-bildbehandling

"Multiscalern vi använde har inte använts för neuroimaging eftersom resultatet inte är lätt att tolka, och att använda en resonans axiell skanningslins för bioavbildning har krävt skräddarsydd skanningssynkroniseringshårdvara eller proprietär kod för att erhålla 3D-data, " sa Blinder. "PySight förvandlar utdata från båda komponenterna till en 3D-film utan ansträngning. Eftersom Pysight är gratis programvara med öppen källkod, det borde vara till stor hjälp för laboratorier som tidigare avskräckts av den höga tekniska barriären som följde med kontinuerlig 3D-bildbehandling." har ett generiskt applikationsgränssnitt, PySight kan också användas för att tolka liknande fotondetektionstider från andra lämpliga hårdvaruenheter.

För att testa om PySight verkligen var plug and play, forskarna gick med sin multiscaler till ett annat bildlab på Tel Aviv University campus. De kunde helt enkelt ansluta enheten till det befintliga multifotonmikroskopet, ladda ner PySight-mjukvaran och börja spela in enkelspåriga luktsvar i fruktflugor som är genetiskt modifierade för att uttrycka spänningsindikatorer. Denna snabba sond för neuronaktivitet upptäcker de finaste aspekterna av neuronaktivitet men den anses vara för svag för att användas utan fotonräkning med denna typ av mikroskopi. PySight-kapacitet banar väg för och enkel implementering av multifotonspänningsavbildning i nästan vilket laboratorium som helst.

Förutom att fortsätta att förbättra PySight-mjukvaran, forskarna skulle vilja lägga till stöd för andra mikroskopiavbildningsmetoder som fluorescenslivstidsavbildning, som förlitar sig på timingen för varje foton i förhållande till dess ursprungslaserpuls. Eftersom programvaran är öppen källkod och ger direkt åtkomst till fotons ankomsttider, det gör det möjligt för andra forskare att lägga till nya funktioner och möta deras specifika behov.