Numerical-aperture transfer in holotomography with a deterministic diffusion prior

기술 요약: 결정론적 확산 사전 확률(Deterministic Diffusion Prior)을 이용한 홀로토모그래피의 수치 개구수(Numerical-Aperture) 전이

문제 정의
고처리량 홀로토모그래피(HT)는 스크리닝 호환성과 세포 소기관 수준의 해상도 사이에서 근본적인 트레이드오프에 직면해 있다. 짧은 작동 거리 대물렌즈를 사용하는 연구용 시스템은 높은 조명 및 검출 수치 개구수(NA)를 달erm하지만, 고처리량 응용 분야(예: 멀티웰 플레이트, 오가노이드 스크리닝)에는 조명 NA(흔히 0.5 미만)를 제한하는 긴 작동 거리 광학계가 필요하다. 이러한 NA의 감소는 산란 포텐셜의 3D 푸리에 지지체(Fourier support)를 절단하여, 고공간 주파수 굴절률(RI) 성분을 억제하고, 미세 구조를 넓게 만들며, 겉보기 대비를 저하시킨다.

딥러닝 정규화 도구나 투영 영역 학습과 같은 기존의 계산적 접근 방식은 이미지 품질이나 결측 원뿔(missing-cone) 아티팩트를 다루기는 하지만, 알려진 NA 제한적 푸리에 영역 순방향 연산자(forward operator) 하에서 저-NA 측정값으로부터 고-NA 등가 3D RI 볼륨을 복원하는 **NA 전이(NA transfer)**를 위해 설계되지는 않았다. 핵심 과제는 누락된 고주파 대역이 단순히 흐릿해진 것이 아니라 측정값에서 완전히 사라졌다는 점이며, 이로 인해 역문제(inverse problem)가 부적정(ill-posed)해진다는 것이다. 이 작업은 측정된 저-NA 지지체에 엄격히 고정되어 환각(hallucination)을 방지하면서도, 측정되지 않은 주파수 성분을 추정하기 위한 학습된 사전 확률(learned prior)을 요구한다.

방법론: ResShift-ODE
저자들은 하드웨어 수정 없이 저-NA 토모그램을 고-NA 등가 볼륨으로 전이하기 위한 결정론적 확산 사전 확률 프레임워크인 ResShift-ODE를 제안한다.

1. 물리적 정식화: 이 문제는 저-NA 관측값($x_L$)으로부터 고-NA 볼륨($x_H$)을 조건부로 복원하는 문제로 정식화된다. 순방향 연산자는 코히어런트 푸리에 지지체 제한으로 정의된다: $x_L = \mathcal{F}^{-1}[M_{K_L} \mathcal{F}[x_H]] + n_{obs}$, 여기서 $M_{K_L}$은 저-NA 합성 개구(synthetic aperture)를 위한 마스크이다.
2. 데이터 생성: 픽셀이 등록된(voxel-registered) 훈련 쌍을 만들기 위해, 저자들은 실험적으로 획득한 고-NA 재구성 영상에 해석적인 저-NA 순방향 연산자를 적용한다. 이 "고-로부터-저(low-from-high)" 전략은 비선형 정규화를 포함한 전체 측정 및 재구성 과정을 모사하여 실제 물리적 저-NA 데이터의 대리물을 생성한다.
3. 확산 사전 확률 (ResShift): 무조건적인 가우시안으로 확산되는 표준 디노이징 확산 확률 모델(DDPM)과 달리, ResShift는 잔차 이동(residual-shifting) 마르코프 체인을 채택한다. 순방향 과정은 고-NA 상태를 노이즈가 아닌 저-NA 측정값($x_L$)으로 이동시킨다. 이는 역방향 궤적을 관측된 데이터에 고정시킨다.
4. 결정론적 샘플링 (ODE): 재현 가능하고 단계가 적은 추론을 가능하게 하기 위해, 확률적 역과정을 **확률 흐름 상미분 방정식(probability-flow ODE)**으로 재정식화하였다. 이는 브라운 운동 항을 제거하면서 동시에 훈련된 디노이저를 재사용한다. 역방향 궤적은 5단계(5회의 디노이저 평가)의 1차 오일러 스킴(Euler scheme)을 통해 적분된다.
5. 네트워크 아키텍처: 모델은 3D 메모리 제약을 관리하기 위해 분해된 Conv2D + axial-attention 코어, 사전 활성화 잔차 블록(pre-activation residual blocks), 회전 위치 임베딩(rotary position embeddings)을 특징으로 하는 맞춤형 3D U-Net 백본을 활용한다. 입력은 현재 확산 상태와 저-NA 조건을 결합한다.

주요 결과
이 방법은 세 가지 세포 유형(효모 S. cerevisiae, 부착형 HepG2 세포, K562 림프아세포)에 걸친 홀드아웃(held-out) 에뮬레이션 쌍 테스트 볼륨을 통해 평가되었다.

• 재구성 정확도: 홀드아웃 볼륨에서 추론된 고-NA 등가 출력은 고-NA 참조 영상과 RI 오차 0.002–0.003(99% 이상의 픽셀 기준) 내에서 일치하였다. 구체적으로, 효모의 99.92%, HepG2의 99.39%, K562의 99.51%의 픽셀이 이 오차 범위 내에 있었다.
• 푸리에 영역 동작: 푸리에 분석 결과, 모델이 저-NA 지지체 외부의 측면 고주파 환형(lateral high-frequency annulus) 영역에 있는 공간 주파수를 성공적으로 복원했음을 확인했다. 결정적으로, 모델은 저-NA 입력과 고-NA 참조 모두에서 비어 있는 축 방향 결측 원뿔(axial missing cone)을 인위적으로 채우지 않았다. 이는 모델이 물리적 제약 조건을 준수하면서 고-NA 타겟에 존재하는 측면 대역만을 완성한다는 것을 보여준다.
• 계산 효율성: ResShift-ODE는 볼륨당 5회의 디노이저 평가만을 요구한다.
  • 1000단계의 3D DDPM 베이스라인보다 약 166배 빠르다.
  • 15단계가 필요한 확률적 3D ResShift보다 약 2.7배 빠르다.
  • 결정론적 3D U-Net보다 약 5.8배의 계산 비용이 들지만, 단순 회귀가 아닌 밴드 완성을 위한 생성적 사전 확률을 제공한다.

의의 및 주장
본 논문은 주요 기여가 확산 샘플러 자체가 아니라, 문제의 정식화에 있다고 주장한다. 즉, 저-NA-to-고-NA 전이를 명시적인 NA 제한 푸리어 영역 순방향 연산자 하의 확산 사전 확률 역문제로 취급하는 것이다.

• 측정치에 고정된 완성(Measurement-Anchored Completion): 이 프레임워크는 단순한 디컨볼루션이 아닌 "밴드 완성(band completion)"을 달est한다. 역방향 궤적을 저-NA 측정치에 고정함으로써, 모델이 복원한 미측정 고주파 대역의 구조가 무분별한 합성이 아니라 데이터에 의해 제약된 사전 확률 유도 추정치임을 보장한다.
• 재현성: 프로세스를 확률 흐름 ODE로 재정식화함으로써 단 5단계 만에 결정론적이고 재현 가능한 추론을 가능하게 하여, 표준 확산 모델의 무작위성과 높은 계산 비용 문제를 해결한다.
• 소프트웨어 기반 해상도 향상: 이 접근 방식은 기존 홀로토모그래피 시스템의 해상도-처리량 트레이드오프를 개선할 수 있는 소프트웨어 경로를 제공하며, 이를 통해 긴 작동 거리 광학계를 사용하면서도 짧은 작동 거리의 고-NA 광학계가 필요한 미세 구조(예: 세포 소기관 펑크타, 내부 질감)를 측면으로 분해하여 복원할 수 있게 한다.

한계 및 범위
저자들은 정량적 결과가 고-NA 데이터로부터 생성된 수치적으로 에뮬레이션된 저-NA 입력을 기반으로 한다는 점을 명시적으로 언급했다. 이는 해석적 연산자의 역전(inversion)을 검증하지만, 모델의 성능이 독립적으로 획득된 물리적 저-NA 데이터(모델링되지 않은 수차나 노이즈를 포함할 수 있음)에 대해 어떻게 작용할지는 아직 확립되지 않았다. 또한, 현재 데이터셋은 공기 침수(air-immersion) 조건 하의 세 가지 세포 유형으로 제한되어 있으며, 다른 양식이나 샘플 유형으로 확장하려면 특정 순방향 연산자와 캘리브레이션 데이터가 필요하다. 본 방법은 측정치에 고정된 생성적 사전 확률로 제시되었으므로, 복원된 고주파 대역의 특징은 직접적인 측정값이 아닌 사전 확률에 의해 유도된 추정치로 해석되어야 한다.