Single Exposure Quantitative Phase Imaging with a Conventional Microscope using Diffusion Models

Titolo: Imaging di Fase Quantitativa a Singola Esposizione con Microscopio Convenzionale tramite Modelli di Diffusione

1. Il Problema

L'imaging di fase è fondamentale in campi come la biomedicina e la caratterizzazione dei materiali, poiché fornisce informazioni quantitative (come lo spessore e l'indice di rifrazione) su oggetti biologici che assorbono poco la luce, spesso invisibili nella microscopia standard senza marcatura (label-free).
Il metodo più diffuso per la quantificazione della fase è l'Equazione del Trasporto dell'Intensità (TIE). Tuttavia, la TIE presenta due limitazioni critiche per le applicazioni cliniche:

1. Necessità di multiple acquisizioni: Richiede tipicamente immagini a diversi piani di messa a fuoco (stack through-focus), il che è lento e spesso non fattibile in contesti clinici a causa di vincoli hardware e di movimento del campione.
2. Artefatti a bassa frequenza: I solutori TIE convenzionali soffrono di instabilità e artefatti, specialmente quando si utilizzano sorgenti di luce bianca (poliocromatiche) per simulare lo stack di messa a fuoco tramite aberrazioni cromatiche. L'uso della luce bianca introduce sfocature e incoerenza temporale che degradano la qualità dell'immagine ricostruita.

2. Metodologia

Gli autori propongono una soluzione che combina l'uso di aberrazioni cromatiche per generare uno stack di messa a fuoco in una singola esposizione con un nuovo approccio basato sull'intelligenza artificiale.

• Acquisizione a Singola Esposizione: Invece di muovere fisicamente il microscopio, sfruttano le aberrazioni cromatiche intrinseche dei sistemi ottici a sorgente bianca. Poiché diverse lunghezze d'onda (rosso, verde, blu) si focalizzano a distanze diverse, una singola immagine acquisita con una telecamera RGB cattura efficacemente informazioni a diversi piani di messa a fuoco.
• Modellazione Fisica e Sintetica: Poiché la risoluzione diretta della TIE con dati policromatici è un problema mal posto (ill-posed) a causa del rumore e della sfocatura, gli autori generano un dataset sintetico massiccio. Utilizzano immagini ImageNet trattate come oggetti di fase puri e simulano l'acquisizione policromatica applicando il propagatore di Fresnel per diverse lunghezze d'onda (400-700 nm) e modellando l'efficienza quantica del sensore.
• Zero-Mean Diffusion (ZMD): Il cuore della proposta è un nuovo tipo di modello di diffusione chiamato Zero-Mean Diffusion.
  • I modelli di diffusione standard normalizzano i dati nell'intervallo $[-1, 1]$, il che è problematico per l'imaging quantitativo perché perde l'interpretazione fisica diretta dei valori.
  • ZMD evita questa normalizzazione. Invece, addestra un modello di regressione ($\mu_\theta$) per prevedere il valore medio dei dati e un modello di diffusione per prevedere la residuo (la differenza tra il dato reale e la media).
  • Matematicamente, il processo di diffusione viene applicato al dato centrato ($\tilde{Y}_t = Y_t - \mu_t$). Alla fine del processo inverso, il valore medio stimato viene riaggiunto.
  • Vantaggio Teorico: Gli autori dimostrano teoricamente che questo approccio centrato riduce il limite superiore dell'errore di divergenza KL rispetto ai metodi standard, migliorando la stabilità e la qualità della ricostruzione.

3. Contributi Chiave

1. Nuovo Paradigma di Addestramento: Introduzione di una metodologia basata su dati sintetici generati fisicamente per l'addestramento di modelli di deep learning per il recupero della fase, riducendo la dipendenza da acquisizioni reali costose.
2. Zero-Mean Diffusion (ZMD): Proposta di una variante dei modelli di diffusione specifica per dati quantitativi. A differenza dei metodi standard, ZMD preserva l'interpretazione fisica dei valori (non normalizzati) e offre una base teorica solida che ne giustifica le prestazioni superiori.
3. Metodo Clinico Pratico: Sviluppo di una tecnica di imaging di fase che funziona su microscopi brightfield convenzionali dotati di telecamere RGB commerciali, eliminando la necessità di hardware costoso o di scansioni meccaniche multiple.

4. Risultati

Il metodo è stato validato attraverso tre livelli di sperimentazione:

• Dati Sintetici (HCOCO): Su immagini sintetiche, ZMD ha superato sia la TIE standard che i modelli di regressione pura, ottenendo un MS-SSIM di 0.97 (vs 0.91 della TIE a 2 scatti) e un MAE inferiore.
• Immagini Cliniche (Urina): Il modello è stato testato su campioni reali di urina (cellule epiteliali e globuli rossi).
  • ZMD ha recuperato dettagli morfologici fini (come la morfologia biconcava dei globuli rossi e citoplasmi sovrapposti) che la TIE convenzionale non riusciva a visualizzare, producendo invece artefatti "nuvolosi".
  • I valori di fase quantitativi ottenuti (tra 1.8 e 2.3 radianti) sono coerenti con la letteratura scientifica esistente.
• Confronto: ZMD ha dimostrato prestazioni superiori sia nella modalità a singola esposizione (policromatica) che in quella a due scatti, grazie alla migliore gestione del rumore e alla capacità di stimare il gradiente attraverso il fuoco utilizzando le tre canali RGB.

5. Significato e Impatto

Questo lavoro rappresenta un passo significativo verso l'adozione clinica dell'imaging di fase quantitativo:

• Accessibilità: Dimostra che è possibile ottenere misurazioni di fase accurate utilizzando microscopi standard e telecamere colorate già presenti nella maggior parte dei laboratori clinici, senza bisogno di hardware specializzato.
• Efficienza: La capacità di ottenere dati quantitativi in una singola esposizione rende la tecnica compatibile con l'analisi di campioni vivi o in movimento, superando i limiti temporali delle tecniche TIE tradizionali.
• Innovazione AI: L'introduzione di ZMD offre un nuovo framework per l'applicazione dei modelli generativi (diffusion models) a problemi scientifici quantitativi, dove la preservazione delle scale fisiche dei dati è cruciale, aprendo la strada a future applicazioni in diagnostica medica e caratterizzazione dei materiali.