Numerical-aperture transfer in holotomography with a deterministic diffusion prior

Résumé technique : Transfert d'ouverture numérique en holotomographie avec un a priori de diffusion déterministe

Énoncé du problème
L'holotomographie (HT) à haut débit est confrontée à un compromis fondamental entre la compatibilité avec le criblage et la résolution subcellulaire. Si les systèmes de recherche utilisant des objectifs à courte distance de travail atteignent des ouvertures numériques (ON) d'illumination et de détection élevées, les applications à haut débit (ex. : plaques multi-puits, criblage d'organoïdes) nécessitent des optiques à longue distance de travail qui limitent l'ON d'illumination (souvent < 0,5). Cette réduction tronque le support de Fourier 3D accessible du potentiel de diffusion, supprimant les contenus de haute fréquence spatiale de l'indice de réfraction (IR), élargissant les structures fines et réduisant le contraste apparent.

Les approches computationnelles existantes, telles que les régularisateurs par apprentissage profond ou l'apprentissage dans le domaine des projections, traitent de la qualité d'image ou des artefacts de cône manquant, mais ne sont pas conçues pour le transfert d'ouverture numérique (ON) : récupérer des volumes d'IR équivalents à une haute ON à partir de mesures à faible ON sous un opérateur de transfert direct dans le domaine de Fourier, limité par l'ON connue. Le défi central est que la bande de haute fréquence manquante n'est pas simplement floue, mais entièrement absente de la mesure, rendant le problème inverse mal posé. La tâche nécessite un a priori appris pour estimer le contenu fréquentiel non mesuré tout en restant strictement ancré au support de faible ON mesuré afin d'éviter l'hallucination.

Méthodologie : ResShift-ODE
Les auteurs proposent ResShift-ODE, un cadre de l'a priori de diffusion déterministe pour transférer des tomogrammes d'IR à faible ON vers des volumes équivalents à haute ON sans modification matérielle.

1. Formulation physique : Le problème est formulé comme la récupération conditionnelle d'un volume à haute ON ($x_H$) à partir d'une observation à faible ON ($x_L$). L'opérateur direct est défini comme une restriction de support de Fourier cohérente : $x_L = \mathcal{F}^{-1}[M_{K_L} \mathcal{F}[x_H]] + n_{obs}$, où $M_{K_L}$ est le masque de l'ouverture synthétique de faible ON.
2. Génération de données : Pour créer des paires de volumes enregistrés par voxel, les auteurs appliquent l'opérateur direct analytique de faible ON à des reconstructions de haute ON acquises expérimentalement. Cette stratégie « de la haute vers la basse » simule toute la chaîne de mesure et de reconstruction, incluant la régularisation non linéaire, pour produire un substitut réaliste pour les données physiques de faible ON.
3. A priori de diffusion (ResShift) : Contrairement aux modèles de diffusion de débruitage (DDPM) standards qui diffusent vers un Gaussien inconditionnel, ResShift utilise une chaîne de Markov à décalage résiduel (residual-shifting). Le processus direct décale l'état de haute ON vers la mesure de faible ON ($x_L$) plutôt que vers le bruit. Cela ancre la trajectoire inverse aux données observées.
4. Échantillonnage déterministe (ODE) : Pour permettre une inférence reproductible en peu d'étapes, le processus inverse stochastique est reformulé en tant qu'équation différentielle ordinaire (ODE) de flux de probabilité. Cela supprime le terme de mouvement brownien tout en réutilisant le débruiteur entraîné. La trajectoire inverse est intégrée à l'aide d'un schéma d'Euler de premier ordre sur cinq étapes (5 évaluations du débruiteur).
5. Architecture du réseau : Le modèle utilise un squelette U-Net 3D personnalisé doté d'un cœur de convolution 2D factorisée + attention axiale pour gérer les contraintes de mémoire 3D, des blocs résiduels à pré-activation et des plongements de position rotatifs. L'entrée concatène l'état de diffusion actuel avec la condition de faible ON.

Résultats clés
La méthode a été évaluée sur des volumes de test par paires simulées sur trois types de cellules : la levure (S. cerevisiae), les cellules adhérentes HepG2 et les lymphoblastes K562.

• Précision de la reconstruction : Sur les volumes testés, les sorties inférées équivalentes à haute ON correspondaient aux références de haute ON avec des erreurs d'IR de 0,002–0,003 pour >99 % des voxels. Plus précisément, 99,92 % des voxels de levure, 93,39 % des voxels de HepG2 et 99,51 % des voxels de K562 se situaient dans ces limites d'erreur.
• Comportement dans le domaine de Fourier : L'analyse de Fourier a confirmé que le modèle réussit à récupérer les fréquences spatiales dans l'anneau latéral de haute fréquence (en dehors du support de faible ON mais à l'intérieur du support de haute ON). Crucialement, le modèle n'a pas rempli artificiellement le cône manquant axial, qui reste vide tant dans l'entrée de faible ON que dans la référence de haute ON. Cela démontre que l'a priori complète uniquement la bande latérale peuplée dans les cibles de haute ON tout en respectant les contraintes physiques du cône manquant.
• Efficacité computationnelle : ResShift-ODE nécessite seulement 5 évaluations du débruiteur par volume.
  • Il est environ 166 fois plus rapide qu'une base DDPM 3D à 1000 étapes.
  • Il est environ 2,7 fois plus rapide que le ResShift 3D stochastique (qui nécessite 15 étapes).
  • Il entraîne un coût computationnel d'environ 5,8 fois celui d'un U-Net 3D déterministe, mais fournit un a priori génératif pour la complétion de bande plutôt qu'une simple régression.

Signification et revendications
L'article affirme que la principale contribution n'est pas l'échantillonneur de diffusion lui-même, mais la formulation du problème : traiter le transfert de faible ON à haute ON comme un problème inverse d'a priori de diffusion sous un opérateur direct explicite, limité par l'ON dans le domaine de Fourier.

• Complétion ancrée sur la mesure : Le cadre parvient à une « complétion de bande » plutôt qu'à une déconvolution. En ancrant la trajectoire inverse à la mesure de faible ON, la méthode garantit que les structures récupérées dans la bande de haute fréquence non mesurée sont des estimations guidées par l'a priori et contraintes par les données, plutôt qu'une synthèse indiscriminée.
• Reproductibilité : La reformulation du processus en tant qu'ODE de flux de probabilité permet une inférence déterministe et reproductible en seulement cinq étapes, répondant à la stochasticité et au coût computationnel élevé des modèles de diffusion standards.
• Amélioration de la résolution par voie logicielle uniquement : L'approche offre une voie logicielle pour améliorer le compromis résolution-débit dans les systèmes d'holotomographie existants, permettant aux optiques à longue distance de travail de récupérer des caractéristiques d'IR résolues latéralement (ex. : puncta subcellulaires, texture interne) qui nécessitent normalement des optiques de haute ON à courte distance de travail.

Limites et portée
Les auteurs notent explicitement que les résultats quantitatifs sont basés sur des entrées de faible ON simulées numériquement générées à partir de données de haute ON. Bien que cela valide l'inversion de l'opérateur analytique, la performance de la méthode sur des données de faible ON physiques acquises indépendamment (qui peuvent contenir des aberrations ou du bruit non modélisés) reste à établir. De plus, l'ensemble de données actuel est limité à trois types de cellules sous conditions d'immersion dans l'air ; l'extension à d'autres modalités ou types d'échantillons nécessite des opérateurs directs et des données de calibration spécifiques. La méthode est présentée comme un a priori génératif ancré sur la mesure, où les caractéristiques de la bande de haute fréquence récupérée doivent être interprétées comme des estimations guidées par l'a priori plutôt que comme des mesures directes.