Image transmission through a multimode fibre in reflection mode with physics-guided deep learning towards ultrathin endoscopy
Questo articolo presenta un framework di deep learning guidato dalla fisica che combina una matrice di trasmissione a intensità reale riflessa con reti di restauro d'immagine per consentire il recupero d'immagine single-shot e privo di recupero di fase attraverso fibre multimodali in modalità riflessione, migliorando significativamente la qualità dell'immagine e la generalizzabilità per l'endoscopia ultrafina.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Immaginate di cercare di vedere all'interno del corpo umano senza praticare una grande incisione. I medici si affidano da tempo agli endoscopi — tubi flessibili dotati di telecamere — per scrutare passaggi stretti come le vie aeree o i vasi sanguigni. Tuttavia, ottenere un'immagine nitida attraverso un tubo che sia allo stesso tempo incredibilmente sottile e flessibile è una grande sfida ingegneristica. Gli endoscopi sottili tradizionali utilizzano spesso fasci di migliaia di minuscole fibre di vetro, ma questi possono produrre solo immagini con una trama a nido d'ape e una nitidezza limitata. Un'alternativa più promettente è un singolo filamento ultra-sottile di vetro chiamato fibra multimodo. Questa fibra è abbastanza flessibile da torcersi e curvare attraverso gli angoli più difficili del corpo, ma rimescola la luce in modo così profondo che, se si proietta un'immagine attraverso di essa, la luce che esce dall'altro lato appare come un ammasso casuale di punti scintillanti. Per anni, gli scienziati hanno lottato per decifrare questo caos e recuperare l'immagine originale, specialmente quando la fibra viene utilizzata in modalità "riflessione", dove lo stesso filamento emette luce e cattura la luce che rimbalza dai tessuti.
Un team di ricercatori del King's College London ha ora sviluppato un nuovo modo per risolvere questo enigma, trasformando uno speckle caotico di luce in un'immagine nitida in un istante. Il loro approccio, dettagliato in uno studio recente, combina un'astuta operazione matematica basata sulla fisica con un tipo di intelligenza artificiale progettata per pulire le immagini. Inve volta di cercare di invertire l'ingegneria del complesso rimescolamento della luce tutto in una volta, utilizzano prima una mappa matematica per creare uno schizzo grezzo e sfocato dell'oggetto. Successivamente, una rete informatica specializzata prende quello schizzo e lo perfeziona, riempiendo i dettagli mancanti e rimuovendo il rumore. Questo processo in due fasi consente loro di vedere attraverso la fibra senza la necessità di apparecchiature complesse per misurare la fase delle onde luminose, un requisito che ha reso i metodi precedenti difficili da utilizzare in contesti medici reali.
I ricercatori hanno costruito un sistema in cui un raggio laser viene inviato lungo una fibra multimodo lunga 2 metri con un diametro del nucleo di 600 micrometri. All'estremità opposta, la luce colpisce un oggetto e rimbalza verso l'alto lungo lo stesso filamento. Poiché la luce viaggia verso il basso e torna su, viene rimescolata due volte, creando un pattern altamente complesso di punti luminosi e scuri su una telecamera situata all'estremità vicina. Per dare un senso a ciò, il team ha prima eseguito un processo di calibrazione. Hanno proiettato una serie di pattern noti su uno specchio digitale all'estremità della fibra e hanno registrato come la luce si rimescolava durante il percorso di ritorno. Da queste misurazioni, hanno costruito una "matrice di trasmissione di intensità a valori reali riflessi". In parole semplici, questa è una massiccia tabella di consultazione che predice quale aspetto debba avere un pattern sfocato e rimescolato per qualsiasi dato oggetto, basandosi puramente sulla luminosità della luce, senza la necessità di conoscere la fase invisibile delle onde luminose.
Utilizzando questa tabella di consultazione, il sistema può generare istantaneamente una prima ipotesi dell'immagine da un singolo scatto della luce rimescolata. Questa immagine iniziale non è perfetta; è spesso granulosa e con basso contrasto, ma cattura la forma e la disposizione di base dell'oggetto. I ricercatori hanno poi fornito questa immagine grezza a quattro diversi tipi di reti di deep learning, ovvero programmi informatici addestrati per riconoscere e ripristinare i dettagli visivi. Queste reti agiscono come un editor digitale, prendendo il punto di partenza granuloso e rendendo più nitidi i bordi, aumentando il contrasto e rimuovendo le macchie casuali per rivelare un'immagine chiara. Il team ha testato questo metodo su tre diversi set di immagini: cifre scritte a mano, foto di abbigliamento e scene naturali. In ogni caso, la combinazione della tabella di consultazione basata sulla fisica e del "pulitore" AI ha prodotto risultati significativamente migliori rispetto al tentativo di usare l'AI da sola per indovinare l'immagine dalla luce rimescolata grezza.
La vera prova di questo metodo è arrivata quando i ricercatori si sono chiesti se potesse gestire immagini che non aveva mai visto prima. Hanno addestrato le loro reti AI utilizzando solo foto di abbigliamento, ma poi hanno chiesto loro di ricostruire immagini di scene naturali, come animali e paesaggi, che appaiono molto diverse dai vestiti. Quando l'AI tentava di farlo da sola, senza l'aiuto della tabella di consultazione basata sulla fisica, i risultati erano scarsi; il sistema non riusciva a riconoscere le nuove forme e produceva macchie sfocate e irriconoscibili. Tuttavia, quando l'AI riceveva prima lo schizzo grezzo dalla tabella di consultazione, performava in modo straordinario. È riuscita a ricostruire le scene naturali, preservando la struttura degli oggetti anche se non era stata addestrata su di essi. Ciò suggerisce che il passaggio basato sulla fisica fornisce una solida base che aiuta l'AI a generalizzare verso nuove situazioni, piuttosto che limitarsi a memorizzare esempi specifici.
Per dimostrare che il sistema funziona nel mondo reale, i ricercatori hanno posizionato oggetti fisici reali all'estremità della fibra, tra cui una griglia di ventilazione metallica, un ago da cucito e una lettera stampata. Questi oggetti non facevano parte di alcun set di dati di addestramento. Il sistema ha catturato la luce che rimbalzava su di essi e, utilizzando lo stesso processo di calibrazione e AI, ha ricostruito immagini chiare dei fori della griglia, dell'asta dell'ago e dei tratti della lettera. I risultati erano abbastanza nitidi da distinguere dettagli fini, dimostrando che il metodo può andare oltre le simulazioni al computer e gestire la natura imprevedibile dello scattering della luce nel mondo reale. I ricercatori hanno osservato che, sebbene il sistema sia attualmente limitato dalla necessità di ricalibrare se la fibra si piega significamente o se la temperatura cambia, la capacità di generare un'immagine chiara da un singolo scatto senza misurazioni di fase rappresenta un grande passo avanti.
Questo lavoro offre una strada promettente verso l'endoscopia ultra-sottile, dove una sonda sottile come un capello potrebbe essere guidata nelle parti più profonde e strette del corpo per fornire immagini in tempo reale ad alta risoluzione. Separando il problema in un primo passaggio guidato dalla fisica e un secondo passaggio di pulizia basato sui dati, i ricercatori hanno creato un sistema che è sia robusto che adattabile. Non richiede le complesse configurazioni di interferometria che hanno ostacolato i precedenti tentativi di imaging in modalità riflessione, rendendolo più pratico per l'uso clinico. Le scoperte suggeriscono che, combinando la prevedibilità della fisica con l'adattabilità dell'intelligenza artificiale, gli scienziati possono sbloccare il potenziale degli endoscopi a singola fibra, permettendo potenzialmente ai medici di vedere all'interno del corpo con un livello di dettaglio e flessibilità che prima era impossibile.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.