Numerical-aperture transfer in holotomography with a deterministic diffusion prior

Resumen Técnico: Transferencia de Apertura Numérica en Holotomografía con un Prior de Difusión Determinista

Planteamiento del Problema
La holotomografía (HT) de alto rendimiento enfrenta un compromiso fundamental entre la compatibilidad de cribado y la resolución subcelular. Mientras que los sistemas de grado de investigación que utilizan objetivos de distancia de trabajo corta logran una alta apertura numérica (NA) tanto en la iluminación como en la detección, las aplicaciones de alto rendimiento (por ejemplo, placas de múltiples pozos, cribado de organoides) requieren ópticas de distancia de trabajo larga que limitan la NA de iluminación (a menudo <0.5). Esta reducción trunca el soporte de Fourier 3D accesible del potencial de dispersión, suprimiendo el contenido de frecuencias espaciales altas del índice de refracción (RI), ensanchando las estructuras finas y reduciendo el contraste aparente.

Los enfoques computacionales existentes, como los regularizadores de aprendizaje profundo o el aprendizaje en el dominio de la proyección, abordan la calidad de la imagen o los artefactos de cono faltante, pero no están diseñados para la transferencia de NA: recuperar volúmenes de RI 3D equivalentes a una NA alta a partir de mediciones de NA baja bajo un operador de paso hacia adelante en el dominio de Fourier conocido y limitado por la NA. El desafío central es que la banda de alta frecuencia faltante no está simplemente desenfocada, sino que está enteramente ausente de la medición, lo que hace que el problema inverso sea mal planteado. La tarea requiere un prior aprendido para estimar el contenido de frecuencia no medido, manteniéndose estrictamente anclado al soporte de baja NA para evitar la alucinación.

Metodología: ResShift-ODE
Los autores proponen ResShift-ODE, un marco de prior de difusión determinista para transferir tomogramas de RI de baja NA a volúmenes equivalentes de alta NA sin modificaciones de hardware.

1. Formulación Física: El problema se formula como la recuperación condicional de un volumen de alta NA ($x_H$) a partir de una observación de baja NA ($x_L$). El operador de paso hacia adelante se define como una restricción coherente de soporte de Fourier: $x_L = \mathcal{F}^{-1}[M_{K_L} \mathcal{F}[x_H]] + n_{obs}$, donde $M_{K_L}$ es la máscara para la apertura sintética de baja NA.
2. Generación de Datos: Para crear pares de entrenamiento registrados por vóxel, los autores aplican el operador analítico de paso hacia adelante de baja NA a reconstrucciones de alta NA adquiridas experimentalmente. Esta estrategia de "bajo desde alto" emula toda la cadena de medición y reconstrucción, incluyendo la regularización no lineal, para producir un sustituto realista para los datos físicos de baja NA.
3. Prior de Difusión (ResShift): A diferencia de los modelos de difusión probabilística de eliminación de ruido (DDPM) estándar que difunden hacia un ruido gaussiano no condicional, ResShift emplea una cadena de Markov de desplazamiento residual (residual-shifting). El proceso hacia adelante desplaza el estado de alta NA hacia la medición de baja NA ($x_L$) en lugar de hacia el ruido. Esto ancla la trayectoria inversa a los datos observados.
4. Muestreo Determinista (ODE): Para permitir una inferencia reproducible de pocos pasos, el proceso inverso estocástico se reformula como una ecuación diferencial ordinaria (ODE) de flujo de probabilidad. Esto elimina el término de movimiento browniano mientras reutiliza el denoiser entrenado. La trayectoria inversa se integra utilizando un esquema de Euler de primer orden sobre cinco pasos (5 evaluaciones del denoiser).
5. Arquitectura de Red: El modelo utiliza un backbone U-Net 3D personalizado que presenta un núcleo de atención axial + Conv2D factorizado, bloques residuales de pre-activación y embebidos de posición rotatorios para gestionar las restricciones de memoria 3D. La entrada concatena el estado de difusión actual con la condición de baja NA.

Resultados Clave
El método fue evaluado en volúmenes de pares emulados no utilizados en las pruebas, que abarcan tres tipos de células: levadura (S. cerevisiae), células HepG2 adherentes y linfoblastos K562.

• Precisión de la Reconstrucción: En los volúmenes de prueba, los resultados inferidos equivalentes a alta NA coincidieron con las referencias de alta NA con errores de RI de 0.002–0.003 para >99% de los vóxeles. Específicamente, el 99.92% de los vóxeles de levadura, el 99.39% de los de HepG2 y el 99.51% de los de K562 cayeron dentro de estos límites de error.
• Comportamiento en el Dominio de Fourier: El análisis de Fourier confirmó que el modelo recuperó con éxito las frecuencias espaciales en el anillo lateral de alta frecuencia (fuera del soporte de baja NA pero dentro del soporte de alta NA). Crucialmente, el modelo no llenó artificialmente el cono axial faltante, que permanece vacío tanto en la entrada de baja NA como en la referencia de alta NA. Esto demuestra que el prior completa solo la banda lateral poblada en los objetivos de alta NA mientras respeta las restricciones físicas del cono faltante.
• Eficiencia Computacional: ResShift-ODE requiere solo 5 evaluaciones del denoiser por volumen.
  • Es aproximadamente 166× más rápido que un baseline de 3D DDPM de 1000 pasos.
  • Es aproximadamente 2.7× más rápido que el 3D ResShift estocástico (que requiere 15 pasos).
  • Incurre en un costo computacional de ~5.8× respecto a un U-Net 3D determinista, pero proporciona un prior generativo para la completitud de bandas en lugar de una simple regresión.

Significancia y Reivindicaciones
El artículo sostiene que la contribución principal no es el muestreador de difusión en sí, sino la formulación del problema: tratar la transferencia de baja NA a alta NA como un problema inverso de prior de difusión bajo un operador de paso hacia adelante explícito y limitado por la NA en el dominio de Fourier.

• Completitud Anclada a la Medición: El marco logra una "completitud de banda" en lugar de una deconvolución. Al anclar la trayectoria inversa a la medición de baja NA, el método asegura que las estructuras recuperadas en la banda de alta frecuencia no medida sean estimaciones guiadas por el prior y restringidas por los datos, en lugar de una síntesis indiscriminada.
• Reproducibilidad: Reformular el proceso como una ODE de flujo de probabilidad permite una inferencia determinista y reproducible en solo cinco pasos, abordando la estocasticidad y el alto costo computacional de los modelos de difusión estándar.
• Mejora de Resolución mediante Software Únicamente: El enfoque ofrece una ruta basada en software para mejorar la relación compromiso entre resolución y rendimiento en los sistemas de holotomografía existentes, permitiendo que las ópticas de larga distancia de trabajo recuperen características de RI con resolución lateral (por ejemplo, puncta subcelulares, textura interna) que normalmente requieren ópticas de alta NA de distancia de trabajo corta.

Limitaciones y Alcance
Los autores señalan explícitamente que los resultados cuantitativos se basan en entradas de baja NA emuladas numéricamente generadas a partir de datos de alta NA. Si bien esto valida la inversión del operador analítico, el rendimiento del método en datos físicos de baja NA adquiridos independientemente (que pueden contener aberraciones o ruido no modelados) aún debe establecerse. Además, el conjunto de datos actual se limita a tres tipos de células bajo condiciones de inmersión en aire; la extensión a otros tipos de muestras o modalidades requiere operadores de paso hacia adelante y datos de calibración específicos. El método se presenta como un prior generativo anclado a la medición, donde las características en la banda de alta frecuencia recuperada deben interpretarse como estimaciones guiadas por el prior en lugar de mediciones directas.