Toward Micro-Endoscopy: Distal-Free, Configuration-Agnostic Focusing Through Multimode Fiber

技術概要：マルチモードファイバを通じた遠位端不要・構成非依存の集光に向けたマイクロ内視鏡

問題提起
マルチモードファイバ（MMF）は、複数の空間モードを同時に支持する能力により、高分解能の生体イメージングおよび光通信のための有望なプラットフォームを提供する。この能力により、内視鏡プローブの大幅な小型化が可能となり、最小限の組織損傷で閉鎖された生体領域へのアクセスが実現される。しかし、MMF の実用的応用は、複雑なモード挙動によって阻害されている。実環境下では、温度変動、ファイバの曲げ、機械的応力などの環境擾乱がモード結合を引き起こす。この結合は固有モード間の位相関係を撹乱し、伝送場を歪ませ、伝送行列（TM）をファイバの瞬間的な構成に依存させるものとする。

従来の波面制御戦略、例えば閉ループフィードバック最適化や伝送行列（TM）の特性評価は、通常、伝送場を測定するためにファイバの遠位端（出力端）への直接アクセスを必要とする。この要件は、遠位端へのアクセスが不可能な内視鏡などのin-situ（その場）応用においては実用的ではない。さらに、入力波面のみに依存する既存の深層学習アプローチは、変化する動的なファイバ構成にわたって一般化するために必要な条件情報を欠いており、ファイバが擾乱された際に失敗する。

手法
著者らは、遠位フィードバックを必要とせずに MMF を通じた集光を可能にする深層学習ベースのフレームワークを提案する。その中核原理は、ファイバの伝送行列（$T$）とその反射行列（$R$）との間の物理的結合にある。両行列は同一のファイバ構成によって決定されるため、反射信号はファイバの瞬間的な状態を符号化する。

手法は以下の構成要素を含む：

1. 反射情報に基づく深層ニューラルネットワーク（DNN）： 著者らは、3 つの独立したエンコーダ分岐を持つ U-Net 型アーキテクチャを設計した。これらの分岐は、3 つの異なる入力モダリティを処理する：
   • 近位端で空間光変調器（SLM）によって適用される空間位相パターン。
   • 画像面で測定された反射信号の強度。
   • フーリエ面で測定された反射信号の強度。
     これらのエンコーダの出力は連結され、単一のデコーダに供給されて、遠位端における伝送場の推定強度分布を再構成する。
2. トレーニングデータセット： モデルは、1,200 種類の異なるファイバ構成から収集された 450 万枚の画像セットからなる包括的なデータセットでトレーニングされた。各構成は、制御された機械的曲げを誘起するためにモーター化されたステージを使用して生成された。各構成において、遺伝的アルゴリズムを用いて SLM 位相マスクを最適化し、10 回の独立した集光プロセスが実行された。これらのプロセス中、システムは SLM 位相マスク、反射強度（画像面およびフーリエ面）、および真の伝送強度を捕捉した。
3. 間接フィードバック集光： システムを検証するために、著者らは間接フィードバックループを実装した。DNN は SLM パターンと反射信号に基づいて伝送場を予測する。この予測から「集光強度（FS）」指標が計算され、遺伝的アルゴリズムを導いて SLM 位相パターンを更新するために使用される。このプロセスは、伝送場の直接測定なしに反復して行われる。

主要な結果
本研究は、複数の指標において堅牢な性能を実証している：

• 未見の構成への一般化： モデルは、トレーニングセットに含まれていなかった 240 のファイバ構成でテストされた。それは、顕著なモード結合にもかかわらず、顕著な特徴と全体的な構造を捉えながら、伝送スぺックルパターンを正常に予測した。
• 定量的精度： モデルは、テスト構成全体で平均 14% の集光偏差（FD）を達成した。この指標は、真値から計算された集光強度とモデルの予測との相対的な差を表す。
• ベースラインに対する優位性： SLM 入力パターン（反射データなし）のみでトレーニングされたベースラインの U-Net と比較した場合、反射情報に基づくモデルは、構造的類似性指標（SSIM）、ピアソン相関、平均二乗誤差（MSE）を含むすべての指標において優れた性能を示した。機械的擾乱下での精度維持には、反射データの組み込みが不可欠であった。
• 遠位端不要の集光： ランダムで未見のファイバ構成における 100 回の独立した集光実験において、間接フィードバックループは、実際の物理的伝送場を高強度の焦点へと成功裡に駆動した。真の集光強度は単調に増加し、強い焦点に収束し、モデルの予測がファイバ出力の物理的現実を正確に反映していることを検証した。

意義と主張
本論文は、このフレームワークが、遠位アクセスが不可能な動的な実世界環境において MMF を展開するための重要な一歩を表すと主張している。波面最適化プロセスを遠位フィードバックの必要性から切り離すことで、このアプローチは MMF ベースのマイクロ内視鏡および光通信における主要なボトルネックに対処する。

著者らは、この手法が任意かつ未知のファイバ構成において、堅牢で高コントラストの集光を可能にすると強調している。彼らは、この学習ベースの技術が、実用的な応用における効率的で非侵襲的な集光への道を開くと仮定している。現在の実装は最適化のために反復的な遺伝的アルゴリズムに依存しているが、著者らは、このフレームワークが、反射を必要な位相マスクに直接マッピングする逆設計ネットワークをトレーニングすることによって、将来的な単発・リアルタイム集光の基盤を確立していると指摘している。この研究は、複雑なファイバ状態を解読するために反射信号を活用する可能性を強調し、フォトニクスおよび生体イメージングにおける適応制御のための実現可能な解決策を提供している。