在非線性光學顯微鏡中，二倍頻（SHG）成像通常用于觀測內源性纖維狀結構，且 SHG 的強度很大程度上取決于入射光束的偏振方向與目標分子取向軸之間的相對角度。因此，基于偏振的 SHG 成像（P－SHG），可通過分析 SHG 信號強度與入射光束的偏振態之間的函數關系，來獲得目標分子的結構信息。其現在已用作醫學和生物學分析的重要工具。

簡單的 SHG 圖像可以通過傳統的雙光子激發熒光顯微鏡（TPM）獲得。大多數 TPM 系統仍采用基于運動鏡面的單束掃描方法，其時間分辨率取決于鏡面的物理移動速度。為了實現更高速的成像，TPM 系統還可以采用多束掃描的方法（圖 1A），其中之一便是利用轉盤掃描單元。該單元由共軸的微透鏡轉盤和針孔轉盤構成，兩個轉盤上的微透鏡和針孔一一對應。

激光在通過微透鏡轉盤時，波前會覆蓋多個微透鏡，不同微透鏡將波前各部分聚焦到不同的位置，并穿過對應的針孔，形成多個微光束。這些微光束打到樣品上，可同時激發多個信號。這些信號沿顯微鏡系統返回并再次穿過針孔，最后被兩個轉盤之間的二向色鏡反射到檢測裝置中。然而，常規使用的鎖模鈦寶石激光器作為光源能量不足，限制了激發光束的數量，導致使用轉盤掃描單元的 TPM （TPM－SD） 的有效視場 （FOV） 很小。

Ai Goto 等人想通過 TPM－SD 系統實現高速的 P－SHG 成像，并保證大的 FOV，故在 TPM－SD 系統中引入了峰值功率更高的基于 Yb 的激光光源。

圖 1 是他們開發的 TPM－SD 系統示意圖。該系統光源為基于 Yb 的激光器，產生的飛秒脈沖中心波長為 1042 nm、平均功率 4 W、脈寬 300 fs，重復頻率 10 MHz。系統首先通過半波片和格蘭激光偏振器來調節激光功率，接著通過擴束器進行擴束，擴束后的光束被引入到轉盤掃描單元中，接著從掃描單元出來的多個微光束通過水浸物鏡被聚焦在樣品的多個點上。為了調整光束在物鏡處的偏振態，激發光束的光路上放置了一個半波片和一個四分之一波片。

為了測量樣品上入射光束的偏振態，在物鏡后端放置了一個線性偏振膜。在這項研究中，他們使用了圓偏振光（圖 1B；橢圓度 0．95）和 4 種線偏振光束（圖 1C－F；橢圓度 0．2－0．3）。以 FOV 的水平軸為基準，將橫向偏振角設置為 0、45、90 和 135°。物鏡收集到的熒光或 SHG 光通過針孔轉盤，被二向色鏡反射至偏振分束器。偏振分束器將信號分離為一對偏振分辨信號，它們被放大倍數為×1．2 的中繼透鏡分別聚焦在電子倍增 CCD 相機的不同方形檢測區域上，從而同時獲取一對矩形圖像。軸向掃描是通過壓電驅動器實現的。

總之，該組通過 TPM－SD 系統，開發了一種高速的偏振分辨成像方法。他們使用該系統對固定的小鼠皮膚樣品和骨骼肌樣品（離體）以及活體小鼠的骨骼肌進行了成像，證明了該系統能以 56 Hz 的時間分辨率對體內組織成像，獲取膠原纖維的結構信息。

圖 1 （A） TPM－SD 系統；（B–F） 通過調整 HWP 和 QWP 的位置，改變入射光脈沖在樣品上的偏振態。

非線性成像技術的優化，除了基于圖像獲取模式的優化，還可以從先進的圖像處理算法入手。發展圖像的實時分析工具，以幫助病理學家快速表征組織特性，實現自動化的病癥診斷，具有極大的推動醫學發展的潛力。目前，用于自動提取疾病特征的用戶獨立算法引起了越來越多的關注。2019 年，Riccardo Scodellaro 等人開發了一種針對 P－SHG 的圖像處理方法——μMAPPS（Microscopic Multiparametric Analysis by Phasor projection of Polarization－dependent SHG signal）。其原理是對每個像素的隨入射光偏振態變化的 SHG 信號（）進行二維相量分析，從中分析出各像素對應膠原蛋白纖維的平均取向角 （θF）和極化率各向異性參數（γ，極化率張量χ（2）的非對角線和對角線元素的比），并依此獲得組織細胞外基質（ECM）中膠原蛋白的微結構信息。

該組的最終目標為無人員操作，全自動化，基于μMAPPS 算法的病理學診斷：通過區分不同組織中不同的膠原蛋白結構，來區分正常組織和癌變組織。具體方法為，先通過μMAPPS 重構每個像素的和信息，接著，將整個圖像劃分為包含大量感興趣區域（ROI）的網格，對每個 ROI 的所有像素應用聚類算法，將和類似的像素歸為一類（簇），至此，每個 ROI 的像素都被分為了數十個簇，然后，基于不同 ROI 中不同的分簇，定義一組參數 （p 參數：簇數（NC），簇元素比（CER，每個簇與最大像素數量的簇，所含像素數量之比），和熵（S））， 以量化各 ROI 中膠原蛋白結構的無序性。

最后，以所有 ROI 參數的平均值為基準，將各 ROI 區分為正常組織或癌變組織，并對應投影回原圖像中。圖 2 是基于熵值的腫瘤邊緣分割結果。該組通過研究 CT26（結腸癌）和 4T1（乳腺癌）兩種癌癥模型，測試了該方法自動區分腫瘤和健康組織區域的準確率，并證明熵是在同一組織類型內，區分腫瘤與健康區域，判別腫瘤邊緣的最佳參數。

圖 2 （A， B） 基于熵（S）的感興趣區域（ROI）的分析結果。每個 150×150 ？m2 的 ROI（A， B）都按照圖例進行了顏色編碼，以表示 CT26 的癌變區域（A）和 4T1 的癌變區域（B），及其中檢索到的熵值。（C， D） 將 ROI 分析結果反投影到 CT26 （C）和 4T1 （D） 腫瘤模型的原圖像平面，并分割出癌變部分的圖像。紅色虛線表示腫瘤和正常組織的邊界。
責任編輯:pj