Numerical-aperture transfer in holotomography with a deterministic diffusion prior

Technische Samenvatting: Numerieke Apertuur Transfer in Holotomografie met een Deterministische Diffusie-Prior

Probleemstelling
High-throughput holotomografie (HT) staat voor een fundamentele afweging tussen screening-compatibiliteit en subcellulaire resolutie. Terwijl onderzoekssystemen met een korte werk-afstand van de objectief hoge illuminatie- en detectie-numerieke aperturen (NA) bereiken, vereisen high-throughput toepassingen (bijv. multiwell-platen, organoïde schermen) optica met een lange werk-afstand, wat de illuminatie-NA beperkt (vaak <0,5). Deze reductie verkort de toegankelijke 3D Fourier-ondersteuning van het verstrooiingspotentiaal, onderdrukt hoog-ruimtelijk-frequente brekingsindex (RI)-inhoud, verbreekt fijne structuren en vermindert de schijnbare contrasten.

Bestaande computationele benaderingen, zoals deep learning-regularisatoren of projectiedomein-leren, pakken beeldkwaliteit of missing-cone-artefacten aan, maar zijn niet ontworpen voor NA-transfer: het terugwinnen van high-NA-equivalent 3D RI-volumes uit low-NA metingen onder een bekende, door NA-beperkte Fourier-domein forward operator. De kernuitdaging is dat de ontbrekende hoogfrequente band niet louter vervaagd is, maar volledig afwezig is uit de meting, waardoor het inverse probleem slecht gesteld is. De taak vereist een geleerd prior om de niet-gemeten frequentie-inhoud te schatten, terwijl strikt verankerd blijft aan de gemeten low-NA ondersteuning om hallucinatie te voorkomen.

Methodologie: ResShift-ODE
De auteurs stellen ResShift-ODE voor, een deterministisch diffusie-prior framework voor het transfereren van low-NA RI-tomogrammen naar high-NA-equivalent volumes zonder hardwaremodificatie.

1. Fysieke Formulering: Het probleem wordt geformuleerd als de conditionele reconstructie van een high-NA volume ($x_H$) uit een low-NA observatie ($x_L$). De forward operator wordt gedefinieerd als een coherente Fourier-support restrictie: $x_L = \mathcal{F}^{-1}[M_{K_L} \mathcal{F}[x_H]] + n_{obs}$, waarbij $M_{K_L}$ de masker is voor de low-NA synthetische apertuur.
2. Datageneratie: Om voxel-geregistreerde trainingsparen te creëren, passen de auteurs de analytische low-NA forward operator toe op experimenteel verkregen high-NA reconstructies. Deze "low-from-high" strategie simuleert de volledige metings- en reconstructieketen, inclusief niet-lineaire regularisatie, om een realistische surrogaat te produceren voor fysieke low-NA data.
3. Diffusie Prior (ResShift): In tegenstelling tot standaard Denoising Diffusion Probabilistic Models (DDPMs) die naar een onconditionele Gaussische verdeling diffunderen, gebruikt ResShift een residual-shifting Markov-keten. Het forward proces verschuift de high-NA staat naar de low-NA meting ($x_L$) in plaats van naar ruis. Dit verankert de reverse traject aan de geobserveerde data.
4. Deterministische Sampling (ODE): Om reproduceerbare, snelle inferentie mogelijk te maken, wordt het stochastische reverse proces geherformuleerd als een probability-flow Ordinary Differential Equation (ODE). Dit verwijdert de Brownian motion term terwijl de getrainde denoiser wordt hergebruikt. De reverse traject wordt geïntegreerd met behulp van een first-order Euler-schema over vijf stappen (5 denoiser evaluaties).
5. Netwerkarchitectuur: Het model maakt gebruik van een op maat gemaakte 3D U-Net backbone met een gefactoriseerde Conv2D + axial-attention kern om 3D geheugenbeperkingen te beheren, pre-activation residual blocks en rotary position embeddings. De input concateneert de huidige diffusie-staat met de low-NA conditie.

Belangrijkste Resultaten
De methode werd geëvalueerd op hold-out emulated-pair testvolumes verspreid over drie celtypen: gist (S. cerevisiae), adherente HepG2-cellen en K562 lymfoblasten.

• Reconstructienauwkeurigheid: Op hold-out volumes kwamen de geïnferreerde high-NA-equivalent outputs overeen met high-NA referenties met RI-fouten van 0,002–0,003 voor >99% van de voxels. Specifiek vielen 99,92% van de gist-voxels, 99,39% van de HepG2-voxels en 99,51% van de K562-voxels binnen deze foutmarges.
• Fourier-domein Gedrag: Fourier-analyse bevestigde dat het model succesvol ruimtelijke frequenties heeft teruggewonnen in de laterale high-frequency annulus (buiten de low-NA support maar binnen de high-NA support). Cruciaal is dat het model niet kunstmatig de axiale missing cone heeft ingevuld, die leeg blijft in zowel de low-NA input als de high-NA referentie. Dit demonstreert dat de prior alleen de laterale band aanvult die gepopuleerd is in de high-NA targets, terwijl de fysieke beperkingen van de missing cone worden gerespecteerd.
• Computationele Efficiëntie: ResShift-ODE vereist slechts 5 denoiser evaluaties per volume.
  • Het is ongeveer 166× sneller dan een 1000-stappen 3D DDPM baseline.
  • Het is ongeveer 2,7× sneller dan een stochastische 3D ResShift (die 15 stappen vereist).
  • Het brengt een computationele kost met zich mee van ~5,8× die van een deterministische 3D U-Net, maar biedt een generatieve prior voor band-completion in plaats van eenvoudige regressie.

Betekenis en Claims
De auteurs claimen dat de primaire bijdrage niet de diffusie sampler zelf is, maar de probleemformulering: het behandelen van low-NA-naar-high-NA transfer als een diffusie-prior invers probleem onder een expliciete, door NA-beperkte Fourier-domein forward operator.

• Meting-Verankerde Vollediging: Het framework bereikt "band completion" in plaats van deconvolutie. Door de reverse traject te verankeren aan de low-NA meting, zorgt de methode ervoor dat de teruggewonnen structuren in de niet-gemeten hoogfrequente band prior-gestuurde schattingen zijn die door de data worden beperkt, in plaats van willekeurige synthese.
• Reproduceerbaarheid: Het herformuleren van het proces als een probability-flow ODE maakt deterministische, reproduceerbare inferentie mogelijk in slechts vijf stappen, wat de stochastiek en hoge computationele kosten van standaard diffusiemodellen aanpakt.
• Software-only Resolutieverbetering: De aanpak biedt een softwarematige route om de resolutie-throughput trade-off in bestaande holotomografie-systemen te verbeteren, waardoor optica met een lange werk-afstand de mogelijkheid krijgen om lateraal opgeloste RI-features (bijv. subcellulaire puncta, interne textuur) terug te winnen die normaal gesproken korte werk-afstand high-NA optica vereisen.

Beperkingen en Reikwijdte
De auteurs merken expliciet op dat de kwantitatieve resultaten gebaseerd zijn op numeriek geëmuleerde low-NA inputs gegenereerd uit high-NA data. Hoewel dit de inversie van de analytische operator valideert, moet de prestatie van de methode op onafhankelijk verworven fysieke low-NA data (die ongemodelleerde aberraties of ruis kunnen bevatten) nog worden vastgesteld. Bovendien is de huidige dataset beperkt tot drie celtypen onder lucht-immersiecondities; uitbreiding naar andere modaliteiten of monstertypen vereist specifieke forward operators en kalibratiedata. De methode wordt gepresenteerd als een meting-verankerde generatieve prior, waarbij kenmerken in de teruggewonnen hoogfrequente band geïnterpreteerd moeten worden als prior-gestuurde schattingen in plaats van directe metingen.