Hybrid spectral-spatial domain registration for nanometric tracking in digital in-line holographic microscopy

Technische Samenvatting: Hybride Spectrale–Ruimtelijke Domeinregistratie voor Nanometrische Tracking in DIHM

Probleemstelling
Digitale Inline Holografische Microscopie (DIHM) maakt labelvrije, hoogdoorvoerende 3D-analyse van micro- en nanoschaalverschijnselen mogelijk. Het bereiken van betrouwbare nanometrische lokalisatie en tracking van schaarse objecten blijft echter een aanzienlijke uitdaging vanwege de moeilijkheid om sub-pixelverplaatsingen op te lossen. Bestaande beeldregistratiealgoritmen staan voor een fundamentele afweging:

• Frequentiedomein-methoden (bijv. Discrete Fourier-transformatie/Fasecorrelatie) bieden globale stabiliteit en tolerantie voor grote verschuivingen, maar lijden onder sub-pixelquantisatie en interpolatie-artefacten. Deze fouten creëren een "precisiebodem" die de nauwkeurigheid bij verplaatsingen dicht bij nul beperkt.
• Ruimtelijke domein-methoden (bijv. Lucas–Kanade optische stroming) benutten lokale intensiteitsgradiënten om hoge sub-pixelprecisie voor infinitesimale verschuivingen te bereiken. Ze zijn echter zeer gevoelig voor beginvoorwaarden en hebben een smal opvangbereik (ze falen in convergentie voor verschuivingen die ~50 pixels overschrijden), wat leidt tot divergentie in dynamische trackingscenario's.

Methodologie: Het Hybride Spectrale–Ruimtelijke Domein (HSSD) Kader
De auteurs stellen het HSSD-kader voor om deze afweging op te lossen door de globale robuustheid van DFT te combineren met de hoge lokale gevoeligheid van het Lucas–Kanade (LK) algoritme. De werkstroom verloopt in twee sequentiële fasen:

1. Grove Schatting (DFT-fase):

   • Er wordt een standaard DFT-gebaseerde kruiscorrelatie uitgevoerd op de ingangshologrammen ($C = \mathcal{F}^{-1}\{F_1 \cdot F_2^*\}$).
   • Dit levert een verplaatsingsschatting in gehele pixels $(dx', dy')$ op, gebaseerd op het piek van de correlatiemap.
   • Cruciaal is dat deze fase beperkt blijft tot gehele waarden om het introduceren van interpolatie-artefacten te voorkomen die de daaropvolgende verfijning zouden verslechteren. Het dient als een robuuste initialisatie, waardoor verschoven patronen binnen het convergentiebereik van de LK-schatter worden gebracht.

2. Verfijning (LK-fase):

   • Het LK-algoritme verfijnt de residuale sub-pixelverschuiving $(dx'', dy'')$ door te werken op specifieke kenmerkpunten die zijn gedetecteerd binnen de intensiteitspatronen van individuele microdeeltjes.
   • Kenmerkpunten worden geselecteerd met behulp van de Shi-Tomasi hoekdetector (tot 200 kandidaten, kwaliteitsdrempel 0,01, minimale scheiding 10 pixels).
   • Het algoritme volgt lokale intensiteitsvariaties (grenzen of diffractiepatronen) om beweging te schatten. In tegenstelling tot de DFT-fase, houdt LK op natuurlijke wijze rekening met affiene vervormingen (lokale rotatie, schaal, schuif).
   • De uiteindelijke verplaatsing wordt berekend als het mediaan van individuele punt-schattingen: $dx = dx' + dx''$ en $dy = dy' + dy''$.

Belangrijkste Bijdragen

• Oplossing van de Initialisatie-Precisie Afweging: Het artikel toont aan dat HSSD effectief de brede opvangbreedte van DFT combineert met de nanometrische precisie van LK, waardoor divergentie van LK in scenario's met grote verschuivingen en de precisiebodem van DFT in scenario's met kleine verschuivingen wordt voorkomen.
• Robuustheid tegen Ruis en Vervaging: Numerieke simulaties tonen aan dat, hoewel ruimtelijke domein-methoden (LK en HSSD) gevoelig zijn voor signaalquantisatie (door gradiëntschattting op discrete stappen), ze superieure robuustheid vertonen tegen stochastische ruis en vervaging (mediaan/beweging) in vergelijking met standalone DFT, dat onder deze omstandigheden lijdt aan fasevervorming.
• Synergie in 3D-tracking: Het kader is gevalideerd in een systeem waarbij laterale (XY) tracking via HSSD is ontkoppeld van axiale (Z) schatting (via DarkFocus), waardoor stabiele volledige 3D-trajectreconstructie mogelijk is, zelfs tijdens complexe defocuscondities.

Experimentele en Numerieke Resultaten

• Numerieke Simulatie: Met behulp van een dataset van 100 willekeurige sub-pixelverschuivingen (±10 pixels) onder zes soorten beelddegradatie (Gaussische ruis, vervaging, quantisatie, etc.) presteerden HSSD en LK in de meeste ruiscategorieën beter dan standalone DFT, met name bij die welke vervaging omvatten. HSSD bereikte een Root Mean Square Error (RMSE) onder de 0,05 pixels in de meerderheid van de geteste condities.
• Experimentele Validatie: Experimenten werden uitgevoerd met een DIHM-opstelling met een 532 nm-laser, een 100×-objectief en een piezo-aangedreven tafel (0,1 nm resolutie).
  • Precisie: HSSD bereikte een experimentele RMSE van 1,21 pixels (22,4 nm) bij het volgen van verplaatsingsstappen van 5 nm. Dit presteerde beter dan standalone DFT (1,44 px / 26,6 nm) en standalone LK (1,89 px / 35,0 nm).
  • Convergentie: In tests met een groot bereik met afwisselende Y- en Z-stappen divergeerde standalone LK volledig voor verplaatsingen die ~50 pixels overschreden (RMSE = 47,81 px, correlatie = -0,08). HSSD behield consistentie met de grondwahrheid over het volledige bereik door gebruik te maken van de DFT-initialisatie.
  • Kleine Verplaatsingen: HSSD slaagde erin stappen van 5 nm (ongeveer 0,27 pixels) op te lossen, een regime waarin standalone DFT faalde om beweging op te lossen vanwege "afvlakkingseffecten" onder de 5 pixels.

Betekenis
Het artikel beweert dat de HSSD-strategie een betrouwbare basis biedt voor labelvrije deeltjestracking in DIHM door nanometrische lokalisatie mogelijk te maken in regimes waar standalone-methoden ofwel niet convergeren (LK) of verzadigen in nauwkeurigheid (DFT). Door de globale robuustheid van frequentiedomeinschatting te ontkoppelen van de lokale precisie van ruimtelijke domeinverfijning, faciliteert de methode stabiele tracking over brede verplaatsingsbereiken en variërende defocuscondities, waarmee een kritieke beperking in hoogprecisie holografische metrologie wordt aangepakt.