🔬 optics

YOSO: single-frame Gerchberg-Saxton phase retrieval with AI-based data augmentation for in-line holography

يُعد YOSO إطار عمل لاستعادة الطور من إطار واحد للمجهر الهولوغرافي الخطي الرقمي، والذي يستخدم تعزيز البيانات القائم على الذكاء الاصطناعي لتوليد مجموعات بيانات متعددة الارتفاعات من هولوغرام واحد، مما يتيح إعادة بناء فعالة وقابلة للتعميم عبر خوارزمية جيرشبرغ-ساكستون دون الحاجة إلى إجراءات الترقيع والوصل.

المؤلفون الأصليون: Julianna Winnik, Adam Walocha, Wojciech Ogonowski, Wiktor Forjasz, Piotr Arcab, Mikołaj Rogalski, Aleksandra Rutkowska, Marzena Stefaniuk, José Ángel Picazo-Bueno, Vicente Micó, Maciej Trusiak, Maria

نُشر 2026-05-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Julianna Winnik, Adam Walocha, Wojciech Ogonowski, Wiktor Forjasz, Piotr Arcab, Mikołaj Rogalski, Aleksandra Rutkowska, Marzena Stefaniuk, José Ángel Picazo-Bueno, Vicente Micó, Maciej Trusiak, Maria Cywińska

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التقاط صورة لجسم شفاف، مثل قنديل البحر أو خلية بشرية، باستخدام كاميرا خاصة جدًا. المشكلة هي أن هذه الأجسام لا تحجب الضوء؛ بل تقوم فقط بثني مساره قليلاً. بالنسبة لكاميرا عادية، تبدو هذه الأجسام غير مرئية.

في عالم الهولوغرافيا الرقمية الخطية (DIHM)، يستخدم العلماء حيلة: يلتقطون صورة للجسم خارج التركيز (out of focus) قليلاً. هذا ينتج نمطًا فوضويًا وضبابيًا من حلقات الضوء والظلام (مثل تموجات في بركة ماء). يختبئ شكل الجسم داخل هذه الفوضى، ولكنك تحتاج إلى "مفكك شفرة" رياضي للكشف عنه.

المفكك التقليدي، المسمى خوارزمية جيرشبرغ-ساكستون (GS)، جيد جدًا، ولكن لديه عقبة: فهو يحتاج عادةً إلى صورتين يتم التقاطهما من مسافتين مختلفتين ليعمل بشكل مثالي. التقاط صورتين يبطئ العملية ويجعل المعدات أكثر تعقيدًا. إذا كان لديك صورة واحدة فقط، فسوف يرتبك المفكك وينتج صورة "شبحية" (صورة توأم) تفسد الصورة.

إليك YOSO (لقد التقطت مرة واحدة فقط - You Only Shot Once).

الخدعة السحرية: المساعد الذكي

نظام YOSO هو نظام جديد يسمح لك بالحصول على إعادة بناء ثلاثية الأبعاد مثالية من مجرد صورة ضبابية واحدة. إليك كيف يعمل، باستخدام تشبيه بسيط:

تخيل أنك تحاول تخمين شكل كعكة من الداخل، لكن لا يمكنك رؤية سوى الطبقة العلوية.

المشكلة: لديك صورة واحدة للكعكة (الهولوغرام). أنت بحاجة إلى صورة ثانية للكعكة من زاوية مختلفة قليست ما لتحديد الشكل ثلاثي الأبعاد.
وظيفة الذكاء الاصطناي: بدلاً من التقاط صورة ثانية، تطلب من مساعد ذكاء اصطناعي فائق الذكاء (شبكة عصبية عميقة) أن يتخيل كيف ستبدو تلك الصورة الثانية.
التدريب: قبل استخدامه، تقوم بتعليم هذا الذكاء الاصطناعي عبر إظهار آلاف الأمثلة المولدة حاسوبيًا لزهور ومشاهد طبيعية له. تظهر له: "هذا هو شكل هذه الزهرة من المسافة (أ). والآن، هذا هو شكلها من المسافة (ب)". يتعلم الذكاء الاصطناعي قواعد كيفية انحناء الضوء (الحيود) دون أن يرى زهرة حقيقية قط.
النتيجة: عندما تعطيه صورتك الضبابية الواحدة لخلية ما، يقوم الذكاء الاصطناعي فورًا بـ "تخيل" الصورة الضبابية الثانية التي كان من المفترض التقاطها من مسافة مختلفة.

وضع كل شيء معًا

بمجرد أن ينشئ الذكاء الاصطناعي هذه الصورة الضبابية "الخيالية"، يأخذ YOSO الصورة الحقيقية والصورة الناتجة عن الذكاء الاصطناعي ويغذيهما في مفكك "جيرشبرغ-ساكستون" التقليدي والموثوق. ولأن المفكك يمتلك الآن صورتين (واحدة حقيقية والأخرى من صنع الذكاء الاصطناعي)، يمكنه بسهًا إزالة الصور "الشبحية" وكشف البنية ثلاثية الأبعاد الواضية والواضحة للجسم.

لماذا YOSO مميز؟

يسلط البحث الضوء على بعض الميزات الذكية التي تجعل YOSO متميزًا:

سريع التدريب: الأنظمة الأخرى المشابهة تستغرق وقتًا طويلاً (18 ساعة) للتعلم. أما YOSO فيستخدم نوعًا معينًا من البنية الشبيهة بالدماغ (تسمى ResNet متعددة المقاييس) يتعلم قواعد الضوء في أقل من ساعتين على جهاز كمبيوتر قياسي. إنه مثل طالب يمكنه إتقان موضوع في ظهيرة يوم واحد بدلاً من فصل دراسي كامل.
لا يحتاج إلى القص واللصق: العديد من أنظمة الذكاء الاصطناعي تشبه آلة التصوير التي لا يمكنها إلا نسخ قطع صغيرة من الورق في كل مرة. عليك قص صورة كبيرة إلى مربعات صغيرة، ونسخها واحدة تلو الأخرى، ثم لصقها معًا (عملية "الرقع والوصل"). أما YOSA فهو مثل ماسح ضوئي واسع الزاوية؛ يمكنه النظر إلى صورة صغيرة بحجم 256 بكسل للتعلم، ولكن يمكنه بعد ذلك معالجة هولوغرام ضخم وكامل الحجم دفعة واحدة دون تقطيعه.
يملأ الفجوات بشكل طبيعي: عندما تعالج الحواسيب الصور، غالبًا ما تضطر لإضافة حدود فارغة (padding) للقيام بالعمليات الحسابية. الطرق التقليدية تملأ هذه الحدود باللون الأسود أو تنسخ البكسلات الموجودة عند الحواف، مما يخلق عيوبًا وهمية. أما YOSO فهو "مدرك للفيزياء"؛ فهو يعرف كيف تتصرف موجات الضوء، لذا يملأ تلك الحدود بـ "تموجات" الضوء الصحيحة، مما يجعل الرياضيات تعمل بشكل مثالي.
يعمل على الأجسام السميكة: نظرًا لأن YOSO لا يفترض أن الجسم مسطح، فإنه يعمل بشكل رائع على الأشياء ثلاثية الأبعاد مثل شريحة دماغ الفأر أو خلايا الحيوانات المنوية السابحة. يمكنه أيضًا السماح لك بـ "إعادة التركيز" على الصورة لاحقًا، كما لو كنت تقوم بتعديل مقبض التركيز في المجهر بعد التقاط الصورة بالفعل.

ما الذي اختبروه؟

لم يكتفِ الباحثون باختبار ذلك على محاكاة حاسوبية مثالية، بل جربوا ذلك على:

هدف اختبار (مثل مسطرة للمجاهر) للتحقق من حدة التفاصيل.
خلايا باطن الخد البشرية (خلايا مسطحة ملتصقة بشريحة).
شرائح دماغ الفأر (أنسجة سميكة ومعقدة).
الحيوانات المنوية البشرية (خلايا ثلاثية الأبعاد تسبح).

في كل حالة، نجح YOSO في إزالة الصور "الشبحية" وكشف تفاصيل واضحة، مما أثبت أنه يمكنك الحصول على بيانات عالية الجودة ثلاثية الأبعاد من لقطة واحدة باستخدام هذه الحيلة المدعومة بالذكاء الاصطناعي. الكود والبيانات متاحة الآن ليستفيد منها الجميع.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "YOSO: استعادة الطور أحادية الإطار بطريقة جيرشبرج-ساكستون باستخدام تعزيز البيانات القائم على الذكاء الاصطناعي للتصوير الهولوغرافي الخطي المباشر."

1. بيان المشكلة

التصوير المجهري الهولوغرافي الخطي المباشر الرقمي (DIHM) هو تقنية تصوير مدمجة، عديمة العدسات (أو تعتمد على العدسات)، تعمل على استعادة معلومات الطور من أنماط الشدة غير المركزة. ومع ذلك، تواجه هذه التقنية تحديات كبيرة:

تأثير الصورة التوأم (Twin-Image Effect): يعاني التصوير الهولوغرافي الخطي المباشر أحادي الإطار من تداخل الصورة الحقيقية مع صورة مترافقة (توأم)، مما يؤدي إلى تدهور جودة إعادة البناء.
قيود الإطار الواحد: تتطلب عمليات استعادة الطور عالية الجودة تقليديًا (مثل خوارزمية جيرشبرج-ساكستون - GS) التقاط صور شدة متعددة عند مسافات تركيز مختلفة (متعددة الارتفاعات). وهذا يقلل من سرعة الاستحواذ ويزيد من تعقيد النظام.
محدودية التعلم العميق: غالبًا ما تعاني مناهج التعلم العميق الحالية لاستعادة الطور أحادية الإطار من:
- ضعف التعميم: النماذج المدربة على عينات محددة تفشل عند تجربة عينات أخرى.
- كفاءة التدريب: تتطلب البنى مثل (U-Net) أوقات تدريب طويلة (حوالي 18 ساعة) وتتطلب غالبًا إجراءات "الرقع والوصل" (patch-and-stitch) للصور الكبيرة بسبب قيود حجم الإدخال الثابت.
- الترميز المعقد: تتطلب بعض الطرق ترميزًا معقدًا للمخرجات للحصول على المجالات المعقدة.
- عدم الاتساق الفيزيائي: يمكن لطرق الحشو القياسية (Zero-padding) المستخدمة في التعلم العميق أن تخلق عدم اتساق فيزيائي عند تغذيتها في خوارقات إعادة البناء القائمة على الفيزياء مثل (GS).

2. المنهجية: إطار عمل YOSO

يقترح المؤلفون YOSO (التقط لقطة واحدة فقط)، وهو إطار عمل هجين يجمع بين التعلم العميق الخاضع للإشراف وخوارزميات الفيزياء الكلاسيكية.

المفهوم الأساسي: بدلاً من استخدام الشبكة العصبية (DNN) لإخراج الطور النهائي مباشرة، يستخدم YOSO الشبكة العصبية لـ توليد هولوغرام ثانٍ رقميًا ( $\tilde{I}_2$ ) يتوافق مع مسافة تركيز مختلفة من هولوغرام واحد تم التقاطه ( $I_1$ ).
سلسلة العمل (The Pipeline):
1. الإدخال: هولوغرام خطي مباشر ملتقط فيزيائيًا ( $I_1$ ).
2. تعزيز الذكاء الاصطناعي: تقوم شبكة ResNet متعددة المقاييس (الشبكة العصبية العميقة) بتقدير الهولوغرام الثاني ( $\tilde{I}_2$ ) عند مسافة انتشار مختلفة ( $z_2$ ).
3. إعادة البناء القائم على الفيزياء: يتم إدخال الزوج ( $I_1, \tilde{I}_2$ ) في خوارزمية جيرشبرج-ساكستون (GS) القياسية. تقوم خوارزمية GS بنشر الموجة بشكل تكراري بين المستويين، مع فرض قيود الشدة، لاستعادة موجة الكائن المعقدة.
4. المخرج: المجال المعقد النهائي (السعة والطور) عند مستوى الكائن.
الابتكارات الهيكلية والتدريبية:
- شبكة ResNet متعددة المقاييس: على عكس U-Net، تستخدم هذه البنية فروعًا متوازية عند دقات مكانية مختلفة. وهذا يسمح بـ أحجام إدخال متغيرة، مما يتيح التدريب على صور صغيرة (مثل $256 \times 256$ ) وإجراء الاستدلال المباشر على هولوغرامات كاملة الحجم (مثل $2048 \times 2048$ ) دون الحاجة لعملية "الرقع والوصل".
- بيانات تدريب مولدة حاسوبيًا: يتم تدريب النموذج على بيانات اصطناعية مشتقة من صور طبيعية (صور زهور من Kaggle). تتعلم الشبكة كيفية إجراء الانتشار الحيودي عبر مسافة محددة ( $z_2 - z_1$ ) بدلاً من حفظ ميزات كائن محدد، مما يضمن تعميمًا قويًا عبر أنواع مختلفة من العينات.
- الحشو المتسق فيزيائيًا: يتم تدريب الشبكة العصبية العميقة لتوليد حشو هولوغرافي يحترم فيزياء الحيود. وهذا يضمن أن المناطق المحشوة من الهولوغرام المقدر ( $\tilde{I}_2$ ) تتوافق مع المدخل ( $I_1$ )، وهو مطلب حاسم لعمل خوارزمية GS بشكل صحيح.

3. المساهمات الرئيسية

نهج هجين (ذكاء اصطناعي-فيزياء): ينقل YOSO دور الذكاء الاصطناعي من "الصندوق الأسود لاستعادة الطور" إلى "تعزيز البيانات". من خلال استخدام الذكاء الاصطناعي فقط لتوليد الإطار الثاني لخوارزمية GS قوية، يقلل هذا الأسلوب من "الهلوسة" ويستفيد من الضمانات الفيزيائية لمنهج GS.
بنية فعالة وقابلة للتوسع: تتيح شبكة ResNet متعددة المقاييس التدريب في أقل من ساعتين (27 دقيقة على الأجهزة عالية الأداء، و75 دقيقة على الأجهزة متوسطة الأداء) مقارنة بـ ~18 ساعة لطرق U-Net السابقة. كما أنها تلغي الحاجة لمعالجة "الرقع والوصل".
تعميم فائق: يسمح التدريب على صور طبيعية متنوعة للنموذج بالتعامل مع أنواع مختلفة من العينات (الأجسام ذات الطور، الأجسام الماصة، الأنسجة البيولوجية السميكة) دون الحاجة لإعادة التدريب.
التوافق مع الأبعاد الثلاثية (3D): نظرًا لأن الطريقة تعمل في مستويات تركيز مختلفة ولا تفترض مستوى كائن واحد، فهي متوافقة بطبيعتها مع الأجسام ثلاثية الأبعاد وتسمح بإعادة التركيز العددي اللاحق.

4. النتائج التجريبية

تم التحقق من صحة إطار العمل من خلال المحاكاة والتجارب على أنظمة متنوعة (بدون عدسات وبالاعتماد على العدسات) وعينات مختلفة:

المحاكاة: نجح YOSO في كبح آثار الصورة التوأم، محققًا جودة استعادة طور تقارب معيار GS باستخدام إطارين ملتقطين فيزيائيًا (RMSE = 0.022 rad, SSIM = 0.529).
هدف اختبار الطور: نجح YOSO في استعادة تأخيرات الطور الكمية (0.66 rad) وتفوق على GS القياسي في استعادة الترددات المنخفضة، ويرجع ذلك على الأرجاء إلى التخلص من أخطاء المحاذاة المرتبطة بالاستحواذ متعدد الارتفاعات الفيزيائي.
خلايا باطن الخد البشرية (بدون عدسات):
- أظهرت قابلية التوسع: نجح نموذج مدرب على رقع بمقاس $256 \times 256$ في إعادة بناء هولوغرامات كاملة بمقاس $2048 \times 2048$ بدقة عالية.
- أظهرت حشوًا مدركًا للحيود: قام الحشو المولد بالذكاء الاصطناعي بتمديد أهداب غابور (Gabor fringes) بشكل طبيعي، على عكس الحشو الصفري (zero-padding).
شريحة دماغ الفأر (عينة سميكة): نجحت في تصوير شريحة نسيجية سميكة وغير متفرقة عند أطوال موجية قريبة من الأشعة فوق البنفسجية ( $\lambda = 0.405 \mu m$ ). وقد أظهرت بوضوح الهياكل التشريحية (الحصين، القشرة، إلخ) وفصلت بين تغيرات الطور والسعة، مما يثبت قابليتها للتطبيق على العينات البيولوجية المعقدة والسميكة.
الحيوانات المنوية البشرية (باعتماد العدسات، ديناميكية): طُبقت على نظام يعتمد على العدسات عالي السرعة (90 إطارًا في الثانية). نجح YOSO في إعادة بناء خلايا حيوانية منوية معلقة ثلاثية الأبعاد وتمكن من إعادة التركيز العددي للخلايا خارج التركيز، مما يظهر إمكانات التتبع رباعي الأبعاد (4D) والتصوير الهولوغرافي المقطعي.

5. الأهمية والأثر

السرعة والبساطة: يتيح YOSA تصوير الطور عالي الجودة والخالي من آثار الصورة التوأم من لقطة واحدة فقط، مما يجعله مناسبًا للعمليات الديناميكية والتطبيقات عالية الإنتاجية حيث يكون الاستحواذ متعدد الإطارات مستحيلاً.
المتانة: من خلال فصل الذكاء الاصطناعي عن مخرج الطور النهائي والاعتماد على خوارزمية GS، فإن الطريقة أكثر متانة ضد الآثار الاصطناعية وأخطاء المحاذاة.
سهولة الوصول: إن استخدام البيانات المولدة حاسوبيًا وبنية سريعة التدريب يقلل من حواجز الدخول لتطبيق استعادة الطور المتقدمة، مما يلغي الحاجة لجمع بيانات "الحقيقة الأرضية" (ground-truth) المرهقة.
المصدر المفتوح: جعل المؤلفون البرمجيات والنماذج المدربة والبيانات متاحة للجمهور، مما يعزز تبني المجتمع العلمي وتطويرها.

في الختام، يمثل YOSA تقدمًا كبيرًا في التصوير الهولوغرافي الخطي المباشر الرقمي (DIHM) من خلال الدمج الفعال بين قدرة التعلم العميق على التعميم والصرامة الفيزيائية لخوارزمية جيرشبرج-ساكستون، مما يحل مشكلة الصورة التوأم في الاستحواذ أحادي الإطار مع الحفاظ على التوافق مع العينات ثلاثية الأبعاد والمعالجة اللاحقة العددية.