Los investigadores de ARCNL y Vrije Universiteit Amsterdam han desarrollado una configuración compacta para Microscopía de superresolución a través de una fibra ultrafina. Usando procesamiento de señal inteligente, superan los límites teóricos de resolución y velocidad. Dado que el método no requiere ningún etiquetado fluorescente especial, es prometedor tanto para aplicaciones médicas como para la caracterización de estructuras 3-D en nanolitografía. El 7 de mayo los resultados fueron publicados en Luz:ciencia y aplicaciones , una revista científica en el Naturaleza familia.

"La obtención de imágenes a nanoescala está limitada por la longitud de onda de la luz que se utiliza. Hay formas de superar este límite de difracción, pero normalmente requieren microscopios grandes y procedimientos de procesamiento difíciles, ", dice Lyuba Amitonova." Estos sistemas no son adecuados para la obtención de imágenes en capas profundas de tejido biológico o en otros lugares de difícil acceso ".

Amitonova inició recientemente un grupo de investigación sobre imágenes y metrología a nanoescala en ARCNL. También está conectada a tiempo parcial a VU Amsterdam donde trabaja en fibras ultrafinas para endomicroscopía en el grupo de Johannes de Boer. Amitonova y de Boer han desarrollado una forma de superar el límite de difracción en sistemas pequeños para permitir la obtención de imágenes de tejido profundo con superresolución.

Compresión de datos inversa

La clave del enfoque de Amitonova es el hecho de que no toda la información de una muestra de datos es necesaria para crear una imagen significativa. "Piense en la fotografía digital, que utiliza el formato de compresión JPEG para limitar la cantidad de datos en una imagen. La compresión elimina hasta el noventa por ciento de la imagen, pero apenas podemos ver la diferencia, ", dice." Esto funciona, porque todas las imágenes convencionales de objetos de la vida real son 'escasas, 'lo que significa que la mayoría de los puntos de imagen no contienen información. En nuestras medidas, utilizamos esta escasez de información de forma inversa, adquiriendo sólo el diez por ciento de los datos disponibles y reconstruyendo la imagen completa mediante un método de cálculo matemático ".

Haz moteado
En microscopía convencional, Las muestras a menudo se iluminan punto por punto para crear una imagen de toda la muestra. Esto lleva mucho tiempo ya que las imágenes de alta resolución requieren muchos puntos de datos. El enfoque desarrollado por Amitonova y de Boer utiliza una fibra que produce un rayo láser moteado, lo que permite iluminar muchas áreas de la muestra simultáneamente de forma aleatoria. La luz multifacética reflejada por la muestra se recopila luego como un único punto de datos, de la cual se extrae información relevante por cálculo. "Con iluminación punto a punto, tomar 256 puntos de datos daría como resultado una imagen de 256 píxeles. Con nuestro método, el mismo número de mediciones crea una imagen de unas veinte veces más píxeles, "dice Amitonova." Por lo tanto, las imágenes de compresión son mucho más rápidas, pero también demostramos que es capaz de resolver detalles que son más de dos veces más pequeños que los que se pueden resolver mediante imágenes convencionales limitadas por difracción ".

Detección sin etiquetas

El método se desarrolló teniendo en cuenta las bioimágenes mínimamente invasivas. Pero también es muy prometedor para aplicaciones de detección en nanolitografía, porque no requiere etiquetado fluorescente, que es necesario en otros métodos de imágenes de superresolución. Amitonova desarrollará aún más el concepto en ARCNL:"La compacidad de las fibras las hace muy convenientes para desarrollar herramientas de metrología en nanolitografía. Las sondas basadas en fibras proporcionan una combinación única de alta resolución con un gran campo de visión y podrían usarse fácilmente en lugares de difícil acceso. Es de esperar que el desarrollo de nuestros métodos resulte en una resolución y velocidad aún mayores. Las herramientas de metrología y los diagnósticos médicos son las áreas más probables de beneficiarse de nuestros hallazgos ".