TF-UNet: Resolving Complex Speckles for Single-Shot Reconstruction of 512^2-Matrix Images Using a Micron-Sized Optical Fiber

Resumen Técnico: TF-UNet para la reconstrucción de una sola toma de imágenes de 512×512 mediante fibras ópticas cónicas de tamaño micrométrico

Planteamiento del problema
Las fibras ópticas cónicas (TF, por sus siglas en inglés), que reducen su diámetro desde cientos de micras hasta la escala micrométrica, ofrecen ventajas significativas para la bioimagen mínimamente invasiva, la optogenética y la biosensórica en comparación con las fibras planas (FF) convencionales o las lentes GRIN voluminosas. Sin embargo, la geometría que varía axialmente de las TF induce un acoplamiento intermodal complejo, donde las constantes de propagación de los diferentes modos cambian a lo largo de la longitud de la fibra. Esto resulta en patrones de speckle espacio-variantes que distorsionan la relación entrada-salida. A diferencia de las FF, donde el mapeo es relativamente estacionario, las TF exhiben dependencias no locales y de escala cruzada que degradan el rendimiento de los métodos de reconstrucción de imágenes existentes. Los enfoques actuales de aprendizaje profundo, como los U-Nets estándar, a menudo fallan al capturar estas mapeos espacio-variantes de manera efectiva, mientras que los modelos basados en atención (por ejemplo, Transformers) enfrentan costos computacionales prohibitivos a altas resoluciones (512×512). Además, muchos métodos existentes dependen de grandes conjuntos de datos o benchmarks simplificados que no reflejan las restricciones físicas de la imagenología con TF.

Metodología: Arquitectura TF-UNet
Para abordar estos desafíos, los autores proponen TF-UNet, una arquitectura de aprendizaje profundo inspirada en la física, diseñada específicamente para la decodificación de speckle espacio-variante de las TF. La innovación central radica en aumentar las conexiones de salto (skip connections) del U-Net estándar con un módulo de fusión de MLP agrupado jerárquico.

• Diseño informado por la física: Reconociendo que el acoplamiento intermodal en las TF crea dependencias no locales, los autores integran Perceptrones de Capa Múltiple (MLP) agrupados en las vías de salto. Estos MLPs realizan una mezcla de alto orden, trans-canal y trans-espacial, lo que permite a la red capturar características relacionadas con la geometría desde múltiples escalas del codificador antes de fusionarlas en el decodificador.
• Eficiencia: El diseño de MLP agrupado reduce la complejidad computacional de $O(CN^2)$ (por canal) a aproximadamente $O(GN^2)$, donde $G$ es el número de grupos y $N$ es la dimensión espacial. Esto permite la reconstrucción de alta resolución (512×512) con una complejidad cuadrática en lugar de los costos cúbicos o superiores asociados con los mecanismos de atención completa.
• Regularización de ortogonalidad: Para promover el desentrelazamiento de modos consistente con la separación física de los modos, se aplica una pérdida de ortogonalidad a las características más profundas del codificador. Esto fomenta la independencia estadística entre canales, alineando las representaciones aprendidas con la separación física de modos requerida para una inversión precisa.
• Protocolo de entrenamiento: El modelo se entrena con pares de máscara-speckle binarios de solo intensidad derivados de imágenes naturales (ImageNet) y conjuntos de datos biológicos. La función de pérdida combina el Error Cuadrático Medio (MSE) con el regularizador de ortogonalidad.

Configuración experimental y conjuntos de datos
El estudio utiliza una configuración experimental personalizada que involucra un láser de onda continua de 532 nm, un Dispositivo de Microespejos Digitales (DMD) para la generación de patrones y una fibra óptica cónica de punta de 5 µm (NA = 0.39, longitud activa = 2.5 mm).

• Conjunto de datos primario: 13,440 pares de máscara-speckle (6,720 para TF y ,720 para FF) generados a partir de imágenes naturales, divididos en conjuntos de entrenamiento/validación/prueba de 8:1:1.
• Validación biológica: Para probar la generalizabilidad más allá de las máscaras sintéticas, los autores validaron el modelo en dos conjuntos de datos biológicos específicos:
  1. Datos neuronales: 4,440 fotogramas de imagen de calcio de la corteza profunda (64 niveles de gris).
  2. Datos vasculares: 4,000 imágenes binarizadas de la vasculatura cerebral de roedores derivadas de pilas de microscopía de dos fotones.

Resultados clave
El rendimiento de TF-UNet fue comparado con cinco arquitecturas de vanguardia (UNet, R2-UNet, TransUNet, VQVAE2 y MSMDFNet) a través de múltiples métricas (PSNR, SSIM, MS-SSIM, LPIPS y Correlación de Pearson).

• Desempeño cuantitativo en TF: TF-UNet logró la mayor Similitud Estructural (SSIM: 0.24) y Similitud Estructural Multiescala (MS-SSIM: 0.32), superando a todas las líneas base. Empató con el mejor valor de Correlación de Pearson (0.50) con TransUNet, manteniendo un PSNR competitivo (9.17 dB) y LPIPS (0.64). Notablemente, logró estos resultados con un consumo de memoria y costo computacional significativamente menores en comparación con TransUNet, que tiene dificultades con la resolución de 512×512 debido a la complejidad de la atención cuadrática.
• Validación biológica:
  • Imagenología neuronal: TF-UNet reconstruyó morfologías neuronales continuas (~15 µm de resolución) a partir de datos de imagen de calcio, mientras que las UNet de línea base produjeron estructuras fragmentadas. Las trazas de series temporales reconstruidas mostraron una alta concordancia con la verdad de campo (correlación de Pearson de 0.81 para las trazas de $\Delta F/F_0$), permitiendo la definición confiable de regiones de interés (ROI).
  • Imagenología vascular: El modelo resolvió redes vasculares finas a la escala de decenas de micrómetros, demostrando la transferibilidad del mapeo inverso aprendido a morfologías biológicas estructuradas.
• Análisis de cobertura de fotones: El estudio reveló una relación no monotónica entre la cobertura de fotones y la calidad perceptual. Las métricas perceptuales (SSIM, LPIPS) descendieron al ~70% de cobertura debido al fuerte acoplamiento no adiabático en el anillo de radio medio, lo que sugiere que las estrategias de adquisición espacialmente adaptativas podrían optimizar aún más el rendimiento.

Significancia y Reivindicaciones
El artículo afirma que TF-UNet ofrece una solución robusta para la reconstrucción de imágenes de una sola toma y sin escaneo a través de fibras ópticas de tamaño micrométrico, una capacidad previamente limitada por la complejidad del acoplamiento intermodal en geometrías cónicas.

• Interpretabilidad física: Al embeber la fusión inspirada en la física (MLP agrupado) y la regularización (ortogonalidad) directamente en la arquitectura de la red, el método maneja eficazmente la naturaleza espacio-variante de las TF sin requerir conjuntos de datos masivos o calibraciones complejas.
• Capacidad de alta resolución: El enfoque permite la reconstrucción en una matriz de 512×512 utilizando una fibra con un diámetro de punta de solo 5 µm, un salto significativo respecto a los métodos previos que típicamente estaban limitados a resoluciones menores (por ejemplo, 28×28 a 120×120) o núcleos de fibra más grandes.
• Potencial biomédico: La reconstrucción exitosa de la dinámica de calcio neuronal y las estructuras vasculares valida el potencial del marco para la imagenología cerebral profunda, crónica y mínimamente invasiva. Los autores enfatizan que el método elimina la necesidad de escaneo activo o modelado de frente de onda, reduciendo la complejidad del sistema y las demandas de potencia, lo cual es crítico para aplicaciones implantables a largo plazo.

Los autores concluyen que, si bien el trabajo actual se limita a mediciones de intensidad monocromáticas, el codiseño de módulos neuronales con principios de propagación óptica proporciona un marco transferible para resolver problemas inversos espacio-variantes en óptica computacional, con aplicaciones potenciales que se extienden a la astronomía, teledetección e inspección industrial.