三维显微成像让研究人员能够同时记录跨脑区的数以万计的神经元活动，为理解生物认知与行为提供重要窗口。然而，噪声、光散射等成像干扰，以及 TB 级数据带来的沉重计算负担，使得精准、高效地提取神经元及其活动信号成为制约大规模神经成像应用的关键难题。

2026年9月7日，清华大学戴琼海/吴嘉敏/黄儒麒团队在Nature Methods在线发表研究论文Rapid robust high-fidelity 3D neuronal extraction from multiview calcium imaging datasets，提出一站式智能分析框架DeepWonder3D。该方法直接从多视角投影中提取神经元三维位置与钙活动轨迹，兼顾准确性、时序保真度和处理速度，为大规模三维神经成像提供高效实用的分析工具。

图1：DeepWonder3D从多视角投影中一站式提取神经元三维位置与活动轨迹

DeepWonder3D的核心在于直接利用多视角信息，将去噪、分辨率配准、背景去除、神经元提取和多视角融合整合为一套统一的处理流程。它通过抑制噪声与散射干扰，结合视角间的互补信息，实现神经元的可靠三维定位与钙信号提取。这一设计兼顾信号质量与处理效率，使海量影像能够更高效地转化为可分析的神经活动信息。

为应对三维训练标注难题，团队在 NAOMi【1】的基础上开发NAOMi-LF模拟器，构建了包含神经结构、光散射与噪声的虚拟皮层。模拟实验表明，DeepWonder3D在不同神经元密度、噪声水平和空间分辨率下均保持稳健表现，展现出高保真解析复杂三维数据的能力。

图2：DeepWonder3D兼顾神经元提取的准确性、时序保真度与处理速度

DeepWonder3D在真实脑组织中同样表现可靠。团队利用双光子/光场同步成像进行验证，结果表明该方法能够准确识别神经元，忠实保留钙信号随时间变化的特征，并在多个皮层区域和不同成像深度中保持稳定表现，为在体神经活动研究提供可靠支撑。依托模块化设计，DeepWonder3D可灵活适配点扫描、光场及双光子合成孔径显微成像【2】等技术。在RUSH3D【3】介观显微成像实验中，DeepWonder3D高效解析了清醒小鼠皮层的TB级记录，提取大规模神经元群体的三维位置与钙信号，并识别出集中在视觉皮层、对特定朝向刺激产生选择性响应的神经元。该方法在更大视野、更长时程记录的场景下也保持稳定表现，为研究视觉信息处理及跨脑区神经回路的协同活动提供实用工具。

图3：DeepWonder3D快速解析RUSH3D小鼠皮层大规模神经活动与视觉刺激响应

DeepWonder3D 集图像处理、信号增强、三维定位与时序活动提取于一体，推动大规模神经成像从海量数据走向高效解析。团队已开放DeepWonder3D代码及LF2Pneuron双光子/光场配对数据集，便于研究人员使用和复现，也为神经影像算法研发提供共享资源。未来，该框架有望进一步拓展至更精细的神经结构解析和更多成像场景，助力揭示分布式神经回路的活动规律。

清华大学博士生陈昱嘉、张国勋为论文共同第一作者。清华大学戴琼海院士、吴嘉敏副教授、黄儒麒副教授为论文共同通讯作者。

代码链接：https://github.com/yujiachenjerry/DeepWonder3D

数据集链接：https://doi.org/10.5281/zenodo.15383434