A Unified Resolution-Conditioned Framework for Orthogonal Line-Scanning Image Fusion

Technische Samenvatting: Een Verenigd Resolutie-geconditioneerd Framework voor Orthogonale Lijn-scannende Beeldfusie

1. Probleemstelling

Laser lijn-scannende microscopie (LLM) maakt snelle volumetrische beeldvorming mogelijk door puntverlichting te vervangen door lijnverlichting, wat een snelheidswinst van 10–100× oplevert ten opzichte van traditionele punt-scannende methoden. Deze parallellisatie introduceert echter ernstige anisotrope ruimtelijke resolutie: het systeem lost kenmerken scherp op langs de scanningsas, maar vertoont aanzienlijke vervaging langs de orthogonale as als gevolg van de confocale spleet. De mate van anisotropie wordt gekwantificeerd door de resolutiekrachtverhouding $\rho = \Delta_{high} / \Delta_{low}$, die in praktische settings kan dalen tot waarden zo laag als 0,014.

Hoewel het verwerven van twee orthogonale lijnscans (X en Y) en het computationeel fuseren daarvan een bijna isotrope resolutie kan herstellen, kampen bestaande deep learning-benaderingen met kritieke beperkingen:

• Configuratiespecifiteit: Huidige state-of-the-art modellen (bijv. Attn-DualUnet) vereisen het trainen van een apart netwerk voor elke specifieke optische configuratie (spleetbreedte en numerieke apertuur).
• Falen bij Multi-configuratie: Het trainen van een enkel model op gemengde configuraties zonder expliciete conditionering leidt tot een catastrofale prestatie-instorting (een daling van ~38 dB naar ~24 dB), omdat het netwerk de fundamenteel verschillende degradatiestructuren niet kan onderscheiden.
• Klassieke Beperkingen: Traditionele Fourier-domein methoden falen wanneer de bemonstering grof is, een regime waarin LLM het meest nodig is.

2. Methodologie

De auteurs stellen CondLAformer voor, een verenigd, resolutie-geconditioneerd framework dat willekeurige spleetconfiguraties verwerkt met behulp van één enkel getraind model. De architectuur is gebouwd op een U-Net topologie met vier encoder-decoder niveaus en bevat drie kerninnovaties die geworteld zijn in de fysieke analyse van de Point Spread Function (PSF).

2.1. Fysica-gebaseerde Datageneratie
De auteurs hebben een scheidbare PSF-benadering afgeleid waarbij de verticale omvang van de lijn-PSF lineair schaalt met de spleetbreedte ($FWHM \approx \alpha \cdot s$). Dit maakt de efficiënte generatie van trainingsparen bij willekeurige spleetwaarden mogelijk via 1-D convoluties, gevalideerd tegen gemeten optische data met een nauwkeurigheid van 48,3 dB. Een multi-resolutie dataset werd geconstrueerd over 15 spleetconfiguraties ($s \in [8, 52]$).

2.2. Resolutie-geconditioneerde Architectuur (FiLM)
Om de ambiguïteit tussen verschillende degradatieniveaus op te lossen, ontvangt het netwerk de resolutieverhouding $\rho$ als een continu conditioneringssignaal.

• Feature-wise Linear Modulation (FiLM): De genormaliseerde spleetparameter wordt verwerkt door een gedeelde MLP om schaal- ($\gamma$) en verschuivingsparameters ($\beta$) te genereren. Deze worden in elk encoder/decoder blok geïnjecteerd na de LayerNorm. Dit stelt het netwerk in staat om de feature operationele punten dynamisch aan te passen op basis van de specifieke ernst van de degradatie, waardoor één enkel model zowel milde als ernstige anisotropie kan afhandelen.

2.3. Adaptive Rank Enhanced Linear Attention (Adaptive RELA)
Standaard Lineaire Attention lijdt onder low-rank beperkingen, terwijl standaard Rank Enhanced Linear Attention (RELA) een vaste kernelgrootte gebruikt die niet overeenkomt met de variërende blur-schalen van verschillende spleetbreedtes. De auteurs introduceren Adaptive RELA met twee specifieke uitbreidingen:

• Multi-schaal Depthwise Convoluties: In plaats van een vaste $5\times5$ convolutie voor rank-versterking, gebruikt het model drie parallelle depthwise convoluties met verschillende receptieve velden (3px, 13px, 25px). Hun blending-gewichten worden geleerd als een functie van de resolutieverhouding $\rho$, waardoor het netwerk de juiste lokale verwerkingsschaal kan selecteren.
• Leerbare Attention Temperatuur: Een leerbare temperatuurparameter $\tau(r)$ moduleert de lineaire attention distributie. Bij ernstige degradatie (kleine spleten) verhogen ondiepe lagen $\tau$ om de aandacht te verscherpen op ijle informatieve tokens; diepere lagen verlagen $\tau$ om bredere semantische aggregatie mogelijk te maken. Dit mechanisme zorgt voor degradatie-proportionele selectiviteit.

2.4. Netwerkcomponenten
De kernblok is een Conditional Dual-Attention Block, die de volgende integreert:

1. Adaptive RELA: Voor globale ruimtelijke modellering met ratio-adaptieve selectiviteit.
2. Channel Attention Block (CAB): Voor kanaal-gewijze recalibratie.
3. Convolutional Gated Feed-Forward Network (CG-FFN): Voor lokale feature verfijning met behulp van gated depthwise convoluties.

3. Belangrijkste Bijdragen

1. Verenigd Multi-configuratie Framework: De eerste deep learning-benadering die orthogonale lijnscans fust over een continu bereik van spleetconfiguraties met behulp van één enkel model, wat de noodzaak voor per-configuratie training elimineert.
2. Adaptive RELA Mechanisme: Een nieuwe uitbreiding van lineaire attention die zowel het lokale receptieve veld (via multi-schaal convolutie blending) als de globale attention selectiviteit (via geleerde temperatuur) dynamisch aanpast op basis van de degradatieparameter.
3. Fysica-geïnformeerde Dataset: Een dichte trainingsset gegenereerd via scheidbare PSF-simulatie, die het volledige praktische bereik van spleetbreedtes beslaat en gevalideerd is tegen gemeten optische data.
4. Systematische Evaluatie: Een uitgebreide benchmark die aantoont dat het verenigde model zowel klassieke methoden als per-configuratie specialisten overtreft, met name in het generaliseren naar ongeziene tussenliggende configuraties.

4. Experimentele Resultaten

Het model werd geëvalueerd op 281 real-structure biologische afbeeldingen (microtubuli, F-actine, etc.) over 18 spleetwaarden (12 getraind, 6 geïnterpoleerd).

• Prestatiewinst: De volledige CondLAformer v3 (Adaptive RELA + FiLM) behaalde 34–40 dB PSNR over alle configuraties.
  • Het presteerde aanzienlijk beter dan de ongeconditioneerde multi-sleet training (die instortte naar 24,3 dB).
  • Het overtrof de standaard RELA + FiLM variant (CondLAformer v2) met ~2 dB in het regime van kleine spleten ($\rho \geq 0,05$), waar anisotropie subtiel en directionele signalen zwak zijn.
• Generalisatie: Het model vertoonde een vloeiende generalisatie naar ongeziene geïnterpoleerde configuraties (bijv. spleetbreedtes die niet in de training aanwezig waren) zonder zichtbare artefacten of prestatie-discontinuïteiten.
• Vergelijking met Specialisten: Hoewel per-sleet specialist modellen hoge prestaties behaalden op hun specifieke trainingsspleet, degradeerden ze met 4–9 dB wanneer ze werden toegepast op andere configuraties. In contrast hield het verenigde CondLAformer een consistente hoge prestatie (>35 dB) aan over het gehele continuüm.
• Ablatie Studie:
  • FiLM Conditioning: Leverde de grootste winst (+11,5 dB t.o.v. ongeconditioneerd, +7,3 dB t.o.v. ongeconditioneerde multi-sleet), wat bewees essentieel te zijn voor het oplossen van configuratie-ambiguïteit.
  • Adaptive RELA: Leverde consistente winsten, specifiek cruciaal voor het afhandelen van de genuanceerde degradatie van kleine spleten waar vaste attention faalt.

5. Betekenis en Claims

Het artikel claimt dat het voorgestelde framework een fundamentele praktische bottleneck in lijn-scannende microscopie aanpakt: het onvermogen om een enkel fusiemodel te implementeren over variërende acquisitieparameters.

• Encoding van Fysische Priors: De auteurs stellen dat het succes van de architectuur voortkomt uit de afstemming op de optische fysica. Het gebruik van directionele attention codeert de fysieke prior dat elke scan alleen betrouwbaar is langs de opgeloste as.
• Scheiding van Zaken: Analyse van geleerde gedragingen onthult een principiële taakverdeling: multi-schaal convoluties bieden vaste, diepte-gepaste lokale biases; FiLM fungeert als een "soft bypass" die het netwerk tussen fusie-regimes regelt; en het attention mechanisme (gemoduleerd door temperatuur) implementeert de eigenlijke adaptieve receptieve velden.
• Praktische Implementatie: Het framework stelt microscopie-faciliteiten met variabele spleetinstellingen in staat om een enkel model te gebruiken voor het gehele continuüm van configuraties, inclusief tussenliggende waarden die nooit tijdens de training zijn gezien, waardoor de overhead van het trainen en onderhouden van tientallen gespecialiseerde modellen wordt weggenomen.

De auteurs concluderen dat dit paradigma van fysica-geïnformeerde conditionering van flexibele attention mechanismen een schaalbare oplossing biedt voor beeldvormingsmodaliteiten met continu variërende acquisitieparameters.