Numerical-aperture transfer in holotomography with a deterministic diffusion prior

Sintesi Tecnica: Trasferimento dell'Apertura Numerica nella Olotomografia con un Prior di Diffusione Deterministico

Definizione del Problema
L'olotomografia (HT) ad alto rendimento affronta un compromesso fondamentale tra compatibilità con lo screening e risoluzione subcellulare. Mentre i sistemi di ricerca che utilizzano obiettivi a breve distanza di lavoro raggiungono un'elevata apertura numerica (NA) sia per l'illuminazione che per la rilevazione, le applicazioni ad alto rendimento (ad es. piastre multiwell, screening di organoidi) richiedono ottiche a lunga distanza di lavoro che limitano l'NA di illuminazione (spesso <0,5). Questa riduzione tronca il supporto di Fourier 3D accessibile del potenziale di scattering, sopprimendo il contenuto di indice di rifrazione (RI) ad alta frequenza spaziale, allargando le strutture fini e riducendo il contrasto apparente.

Gli approcci computazionali esistenti, come i regolarizzatori basati sul deep learning o l'apprendimento nel dominio delle proiezioni, affrontano la qualità dell'immagine o gli artefatti del "missing-cone", ma non sono progettati per il trasferimento di NA: recuperare volumi di RI 3D equivalenti a un'alta NA da misurazioni a bassa NA sotto un operatore forward noto e limitato dalla NA. La sfida principale è che la banda ad alta frequenza mancante non è semplicemente sfocata, ma è interamente assente dalla misurazione, rendendo il problema inverso mal posto. Il compito richiede un prior appreso per stimare il contenuto di frequenza non misurato pur rimanendo strettamente ancorato al supporto a bassa NA misurato per evitare allucinazioni.

Metodologia: ResShift-ODE
Gli autori propongono ResShift-ODE, un framework deterministico con prior di diffusione per trasferire tomogrammi di RI a bassa NA a volumi equivalenti ad alta NA senza modifiche all'hardware.

1. Formulazione Fisica: Il problema è formulato come il recupero condizionale di un volume ad alta NA ($x_H$) da un'osservazione a bassa NA ($x_L$). L'operatore forward è definito come una restrizione coerente del supporto di Fourier: $x_L = \mathcal{F}^{-1}[M_{K_L} \mathcal{F}[x_H]] + n_{obs}$, dove $M_{K_L}$ è la maschera per l'apertura sintetica a bassa NA.
2. Generazione dei Dati: Per creare coppie di addestramento voxel-registrate, gli autori applicano l'operatore forward analitico a bassa NA su ricostruzioni ad alta NA acquisite sperimentalmente. Questa strategia "low-from-high" emula l'intera catena di misurazione e ricostruzione, inclusa la regolarizzazione non lineare, per produrre un surrogato realistico per i dati fisici a bassa NA.
3. Prior di Diffusione (ResShift): A differenza dei modelli standard di diffusione probabilistica (DDPM) che diffondono verso un rumore gaussiano incondizionato, ResShift impiega una catena di Markov a spostamento residuo (residual-shifting). Il processo forward sposta lo stato ad alta NA verso la misurazione a bassa NA ($x_L$) anziché verso il rumore. Ciò ancora la traiettoria inversa ai dati osservati.
4. Campionamento Deterministico (ODE): Per consentire un'inferenza riproducibile con pochi step, il processo inverso stocastico viene riformulato come un equazione differenziale ordinaria (ODE) di flusso di probabilità. Ciò rimuove il termine di moto browniano pur riutilizzando il denoiser addestrato. La traiettoria inversa viene integrata utilizzando uno schema Euler del primo ordine in cinque step (5 valutazioni del denoiser).
5. Architettura della Rete: Il modello utilizza un backbone 3D U-Net personalizzato con un nucleo a convoluzione fattorizzata (Conv2D + axial-attention) per gestire i vincoli di memoria 3D, blocchi residui pre-attivazione ed embedding di posizione rotativi. L'input concatena lo stato di diffusione corrente con la condizione a bassa NA.

Risultati Chiave
Il metodo è stato valutato su volumi di test a coppie emulate tenuti separati, coprendo tre tipi di cellule: lievito (S. cerevisiae), cellule aderenti HepG2 e linfoblasti K562.

• Accuratezza della Ricostruzione: Sui volumi di test, gli output inferiti equivalenti ad alta NA hanno corrisposto ai riferimenti ad alta NA con errori di RI di 0,002–0,003 per >99% dei voxel. Nello specifico, il 99,92% dei voxel del lievito, il 99,39% delle cellule HepG2 e il 99,51% dei linfoblasti K562 rientravano in questi limiti di errore.
• Comportamento nel Dominio di Fourier: L'analisi di Fourier ha confermato che il modello ha recuperato con successo le frequenze spaziali nell'anello laterale ad alta frequenza (esterno al supporto a bassa NA ma interno al supporto ad alta NA). Fondamentalmente, il modello non ha riempito artificialmente il cono assiale mancante (axial missing cone), che rimane vuoto sia nell'input a bassa NA che nel riferimento ad alta NA. Ciò dimostra che il prior completa solo la banda laterale popolata nei target ad alta NA, rispettando i vincoli fisici del cono mancante.
• Efficienza Computazionale: ResShift-ODE richiede solo 5 valutazioni del denoiser per volume.
  • È circa 166 volte più veloce di un baseline DDPM 3D a 1000 step.
  • È circa 2,7 volte più veloce di un ResShift 3D stocastico (che richiede 15 step).
  • Incombe un costo computazionale di circa 5,8 volte rispetto a una U-Net 3D deterministica, ma fornisce un prior generativo per il completamento della banda piuttosto che una semplice regressione.

Significatività e Rivendicazioni
Il paper sostiene che il contributo primario non sia il campionatore di diffusione in sé, ma la formulazione del problema: trattare il trasferimento da bassa a alta NA come un problema inverso con prior di diffusione sotto un operatore forward esplicito e limitato dalla NA.

• Completamento Ancorato alla Misurazione: Il framework raggiunge un "completamento di banda" piuttosto che una deconvoluzione. Ancorando la traiettoria inversa alla misurazione a bassa NA, il metodo assicura che le strutture recuperate nella banda ad alta frequenza non misurata siano stime guidate dal prior e vincolate dai dati, piuttosto che una sintesi indiscriminata.
• Riproducibilità: Riformulare il processo come un'ODE di flusso di probabilità consente un'inferenza deterministica e riproducibile in soli cinque step, affrontando la stocasticità e l'alto costo computazionale dei modelli di diffusione standard.
• Miglioramento della Risoluzione Solo via Software: L'approccio offre una via software per migliorare il compromesso risoluzione-rendimento nei sistemi di olotomografia esistenti, permettendo alle ottiche a lunga distanza di recuperare caratteristiche di RI risolte lateralmente (ad es. puncta subcellulari, texture interna) che tipicamente richiederebbero ottiche ad alta NA a breve distanza di lavoro.

Limitazioni e Ambito
Gli autori notano esplicitamente che i risultati quantitativi si basano su input a bassa NA emulati numericamente generati da dati ad alta NA. Sebbene ciò validi l'inversione dell'operatore analitico, le prestazioni del metodo su dati fisici a bassa NA acquisiti indipendentemente (che possono contenere aberrazioni o rumore non modellati) devono ancora essere stabilite. Inoltre, l'attuale dataset è limitato a tre tipi di cellule in condizioni di immersione in aria; l'estensione ad altre modalità o tipi di campioni richiede operatori forward specifici e dati di calibrazione. Il metodo è presentato come un prior generativo ancorato alla misurazione, dove le caratteristiche nella banda ad alta frequenza recuperata dovrebbero essere interpretate come stime guidate dal prior piuttosto che misurazioni dirette.