Single Exposure Quantitative Phase Imaging with a Conventional Microscope using Diffusion Models

Probleemstelling

Fasebeeldvorming (Quantitative Phase Imaging - QPI) is essentieel voor biomedische toepassingen, zoals het analyseren van cellulaire morfologie zonder kleurstoffen (label-free). Een veelgebruikte methode hiervoor is de Transport-of-Intensity Equation (TIE). De TIE vereist echter doorgaans meerdere opnames op verschillende defocus-afstanden (een "through-focus stack") om de fase te reconstrueren.

• Beperkingen: Het verzamelen van meerdere beelden is vaak niet haalbaar in klinische settings vanwege hardware-beperkingen, bewegingsartefacten en tijdsinvestering.
• Alternatief en uitdagingen: Een veelbelovende aanpak is het gebruik van wit licht (polychromatisch) en kleurchromatische aberraties om een effectieve defocus-stack in één enkele blootstelling (single exposure) te genereren. Echter, conventionele TIE-oplossers falen hierbij omdat de door aberraties geïnduceerde defocus-afstand klein is en de superpositie van golflengten leidt tot wazige diffractiepatronen en artefacten. Bestaande regularisatietechnieken zijn vaak te specifiek of genereren wazige resultaten.

Methodologie

De auteurs stellen een nieuwe datagedreven aanpak voor die diepe diffusiemodellen combineert met fysica-gedreven synthetische data.

1. Data Generatie en Training:

• Synthetische Dataset: Er wordt een dataset gegenereerd op basis van het ImageNet-dataset. Afbeeldingen worden omgezet naar grijswaarden en behandeld als zuivere fase-objecten.
• Fysica-simulatie: De simulatie gebruikt de Fresnel-diffractie-integraal over een breed spectrum (400nm - 700nm) met gelijke bijdrage. Er wordt rekening gehouden met de kwantumefficiëntie van RGB-sensoren (rood, groen, blauw) en ruis wordt toegevoegd om realistische klinische opnames na te bootsen.
• Doel: Het model leert de relatie tussen een polychromatische, wazige opname en de onderliggende kwantitatieve faseverdeling.

2. Zero-Mean Diffusion (ZMD):
De kern van de innovatie is een nieuwe variant van diffusiemodellen genaamd Zero-Mean Diffusion.

• Aanpak: In tegenstelling tot standaard diffusiemodellen die data normaliseren naar het interval [-1, 1] (wat de fysieke interpretatie van kwantitatieve data verliest), splitst ZMD het probleem op in twee componenten:
  1. Een regressiemodel ($\mu_\theta$) dat de verwachte waarde (het gemiddelde) van de fase schat.
  2. Een diffusiemodel dat de residuen (het verschil tussen de werkelijke fase en het gemiddelde) voorspelt.
• Wiskundige basis: Het proces wordt gedefinieerd als $\tilde{Y}_t = Y_t - \mu_t$. De auteurs bewijzen theoretisch dat het centreren van het proces (het aftrekken van het gemiddelde) leidt tot een strakkere bovengrens voor de Kullback-Leibler-divergentie, wat resulteert in een betere benadering van de ware verdeling vergeleken met niet-gecentreerde methoden.
• Loss-functie: De totale loss bestaat uit de standaard diffusieloss (voor het residu) en een loss-term voor het voorspellen van het gemiddelde ($L_{mean}$).

3. Hardware:
De methode is ontworpen voor standaard brightfield-microscopen uitgerust met een commercieel verkrijgbare RGB-camera, zonder de noodzaak van gespecialiseerde optische componenten voor fase-contrast.

Belangrijkste Bijdragen

1. Single-Exposure QPI: Een praktische methode voor kwantitatieve fasebeeldvorming met wit licht en één enkele blootstelling, wat de efficiëntie in klinische settings aanzienlijk verbetert.
2. Zero-Mean Diffusion (ZMD): Een nieuwe architectuur voor diffusiemodellen die specifiek is ontworpen voor kwantitatieve data. Deze methode behoudt de fysieke schaal van de data en biedt een theoretisch onderbouwde verbetering in reconstructiekwaliteit.
3. Physics-Informed Synthetic Data: Een trainingstraject dat volledig gebaseerd is op synthetische data gegenereerd volgens de wetten van de optica, waardoor de afhankelijkheid van grote sets van gelabelde real-world data wordt geminimaliseerd.
4. Klinische Validatie: Succesvolle toepassing op echte klinische urine-monsters, wat de bruikbaarheid in de praktijk aantoont.

Resultaten

De methode is getest op synthetische data, door-focus stacks van klinische monsters en een onbewerkte dataset van urine-monsters van patiënten.

• Synthetische Data: ZMD (polychromatisch) behaalde een MS-SSIM van 0.97 en een MAE van 0.06, wat significant beter is dan conventionele TIE-methoden (US TIE) en zelfs beter dan 2-shot TIE-methoden.
• Klinische Data (Urine):
  • ZMD kon fijne structuren reconstrueren die door US TIE werden gemist, zoals de biconcave vorm van rode bloedcellen en overlappende epitheelcellen.
  • US TIE vertoonde vaak "cloud-artefacten" en wazigheid bij polychromatische opnames.
  • De gemeten fase-waarden voor rode bloedcellen lagen consistent tussen 1.8 en 2.3 rad, wat overeenkomt met waarden uit bestaande literatuur.
• Vergelijking: ZMD presteerde overtuigend beter dan zowel de traditionele 2-shot TIE als de polychromatische TIE, vooral in het hanteren van ruis en het herstellen van lage-frequentie componenten.

Betekenis en Toekomstperspectief

Dit werk opent de deur voor breed toepasbare, snelle en nauwkeurige kwantitatieve fasebeeldvorming in de kliniek. Omdat de benodigde hardware (standaard microscopen met RGB-camera's) overal beschikbaar is, is de drempel voor adoptie laag.

• Impact: Het elimineert de noodzaak voor complexe, dure of tijdrovende hardware-upgrades voor fasebeeldvorming.
• Toekomst: De auteurs suggereren dat toekomstig werk zich kan richten op het integreren van Physics-Informed Neural Networks (PINNs) om de Helmholtz-vergelijking direct op te lossen, waardoor de benadering van de paraxiale benadering (die nu nog wordt gebruikt) overbodig wordt en de simulatie nog realistischer wordt.

Samenvattend biedt dit paper een robuuste oplossing voor het probleem van single-exposure faseherwinning door de kracht van diffusiemodellen te koppelen aan de fysica van chromatische aberraties, resulterend in een methode die zowel theoretisch gefundeerd als klinisch toepasbaar is.