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

기술 요약: 다중 모드 광섬유를 통한 원단부 접근 불필요, 구성 무관 초점 형성: 마이크로 내시경으로의 진전

문제 제기
다중 모드 광섬유 (MMF) 는 여러 공간 모드를 동시에 지원할 수 있는 능력으로 인해 고해상도 생체 의학 영상 및 광통신을 위한 유망한 플랫폼을 제공합니다. 이 능력은 내시경 프로브의 상당한 소형화를 가능하게 하여, 최소한의 조직 손상과 함께 제한된 생체 영역에 접근할 수 있게 합니다. 그러나 MMF 의 실용적 적용은 복잡한 모드 거동으로 인해 방해받습니다. 실제 환경 조건에서 온도 변동, 광섬유 굴곡, 기계적 응력과 같은 환경적 교란은 모드 결합을 유발합니다. 이 결합은 고유 모드 간의 위상 관계를 교란시켜 전송된 장을 왜곡하고, 전송 행렬 (TM) 을 광섬유의 순간적 구성에 의존하게 만듭니다.

폐루프 피드백 최적화 및 전송 행렬 (TM) 특성화와 같은 기존 파면 제어 전략은 일반적으로 전송된 장을 측정하기 위해 광섬유의 원단부 (출력) 면에 직접 접근해야 합니다. 이 요구 사항은 원단부가 접근 불가능한 내시경과 같은 in-situ 응용 분야에서는 실용적이지 않게 만듭니다. furthermore, 입력 파면에만 의존하는 기존 딥러닝 접근법은 다양한 동적 광섬유 구성에 대해 일반화하는 데 필요한 조건 정보를 결여하고 있어, 광섬유가 교란될 때 실패로 이어집니다.

방법론
저자들은 원단부 피드백 없이 MMF 를 통한 초점 형성을 가능하게 하는 딥러닝 기반 프레임워크를 제안합니다. 핵심 원리는 광섬유의 전송 행렬 ($T$) 과 반사 행렬 ($R$) 사이의 물리적 결합에 기반합니다. 두 행렬 모두 동일한 근본적인 광섬유 구성에 의해 결정되므로, 반사된 신호는 광섬유의 순간 상태를 인코딩합니다.

방법론은 다음 구성 요소들을 포함합니다:

1. 반사 정보 기반 심층 신경망 (DNN): 저자들은 세 개의 별도 인코더 분기를 가진 U-Net 아키텍처를 설계했습니다. 이러한 분기는 세 가지 다른 입력 모달리티를 처리합니다:
   • 근단부에서 공간 광 변조기 (SLM) 에 의해 적용된 공간 위상 패턴.
   • 이미지 평면에서 측정된 반사 신호의 강도.
   • 푸리에 평면에서 측정된 반사 신호의 강도.
     이러한 인코더들의 출력은 연결되어 단일 디코더로 입력되며, 원단부에서 전송된 장의 추정된 강도 분포를 재구성합니다.
2. 훈련 데이터셋: 모델은 1,200 개의 서로 다른 광섬유 구성에서 수집된 450 만 개의 이미지 세트로 구성된 포괄적인 데이터셋으로 훈련되었습니다. 각 구성은 제어된 기계적 굴곡을 유도하기 위해 모터 스테이지를 사용하여 생성되었습니다. 각 구성에 대해, SLM 위상 마스크를 최적화하기 위해 유전 알고리즘을 사용하여 10 개의 독립적인 초점 형성 과정이 수행되었습니다. 이러한 과정 동안 시스템은 SLM 위상 마스크, 반사 강도 (이미지 및 푸리에 평면), 그리고 실제 전송 강도를 포착했습니다.
3. 간접 피드백 초점 형성: 시스템을 검증하기 위해 저자들은 간접 피드백 루프를 구현했습니다. DNN 은 SLM 패턴과 반사 신호를 기반으로 전송된 장을 예측합니다. 이 예측으로부터 "초점 강도 (FS)" 지수가 계산되어, SLM 위상 패턴을 업데이트하는 유전 알고리즘을 안내하는 데 사용됩니다. 이 과정은 전송된 장에 대한 직접적인 측정 없이 반복됩니다.

주요 결과
이 연구는 여러 지표에 걸쳐 견고한 성능을 입증합니다:

• 보이지 않는 구성에 대한 일반화: 모델은 훈련 세트에 존재하지 않았던 240 개의 광섬유 구성에서 테스트되었습니다. 이는 상당한 모드 결합에도 불구하고 중요한 특징과 전체 구조를 포착하여 전송된 스페클 패턴을 성공적으로 예측했습니다.
• 정량적 정확도: 모델은 테스트 구성 전반에 걸쳐 평균 초점 편차 (FD) 14% 를 달성했습니다. 이 지표는 실제 값과 모델 예측으로부터 계산된 초점 강도 간의 상대적 차이를 나타냅니다.
• 기선 대비 우월성: 반사 데이터 없이 SLM 입력 패턴만으로 훈련된 기선 U-Net 과 비교했을 때, 반사 정보 기반 모델은 구조적 유사성 지수 (SSIM), 피어슨 상관관계, 평균 제곱 오차 (MSE) 를 포함한 모든 지표에서 우수한 성능을 보였습니다. 반사 데이터의 포함은 기계적 교란 하에서 정확도를 유지하는 데 결정적이었습니다.
• 원단부 접근 불필요 초점 형성: 무작위이고 보이지 않는 광섬유 구성에서 수행된 100 개의 독립적인 초점 형성 실험에서, 간접 피드백 루프는 실제 물리적 전송된 장을 고강도 초점으로 성공적으로 이끌었습니다. 실제 초점 강도는 단조 증가하여 강력한 초점으로 수렴했으며, 이는 모델의 예측이 광섬유 출력의 물리적 현실을 정확하게 반영함을 검증했습니다.

의의 및 주장
이 논문은 이 프레임워크가 원단부 접근이 불가능한 동적인 실제 환경에서 MMF 를 배포하는 데 중요한 진전을 나타낸다고 주장합니다. 파면 최적화 과정을 원단부 피드백 필요성에서 분리함으로써, 이 접근법은 MMF 기반 마이크로 내시경 및 광통신의 주요 병목 현상을 해결합니다.

저자들은 그들의 방법이 임의적이고 알려지지 않은 광섬유 구성에서 견고하고 고대비 초점 형성을 가능하게 한다고 강조합니다. 그들은 이 학습 기반 기술이 실용적 응용 분야에서 효율적이고 비침습적인 초점 형성을 위한 길을 연다고 주장합니다. 현재 구현은 최적화를 위해 반복적 유전 알고리즘에 의존하지만, 저자들은 이 프레임워크가 반사를 필요한 위상 마스크에 직접 매핑하는 역설계 네트워크를 잠재적으로 훈련시킴으로써 미래의 단일 샷 실시간 초점 형성을 위한 기초를 마련했다고 지적합니다. 이 연구는 복잡한 광섬유 상태를 디코딩하기 위해 반사된 신호를 활용하는 잠재력을 강조하며, 광자학 및 생체 의학 영상에서 적응형 제어를 위한 실현 가능한 해결책을 제시합니다.