TF-UNet: Resolving Complex Speckles for Single-Shot Reconstruction of 512^2-Matrix Images Using a Micron-Sized Optical Fiber

Resumo Técnico: TF-UNet para Reconstrução de Imagem Única (Single-Shot) de 512×512 via Fibras Ópticas Cônicas de Tamanho Micrométrico

Definição do Problema
As fibras ópticas cônicas (TFs - Tapered Optical Fibers), que reduzem seu diâmetro de centenas de mícrons para a escala micrométrica, oferecem vantagens significativas para bioimagem minimamente invasiva, optogenética e biosensoriamento em comparação com fibras planas convencionais (FFs) ou lentes GRIN volumosas. No entanto, a geometria axialmente variável das TFs induz um acoplamento intermodal complexo, onde as constantes de propagação de diferentes modos mudam ao longo do comprimento da fibra. Isso resulta em padrões de speckle variantes no espaço que distorcem a relação entrada-saída. Diferente das FFs, onde o mapeamento é relativamente estacionário, as TFs exibem dependências não locais e de múltiplas escalas que degradam o desempenho dos métodos existentes de reconstrução de imagem. As abordagens atuais de aprendizado profundo, como as U-Nets padrão, frequentemente falham em capturar essas mapeamentos variantes no espaço de forma eficaz, enquanto modelos baseados em atenção (ex: Transformers) enfrentam custos computacionais proibitivos em altas resoluções (512×512). Além disso, muitos métodos existentes dependem de grandes conjuntos de dados ou benchmarks simplificados que não refletem as restrições físicas da imagem por TF.

Metodologia: Arquitetura TF-UNet
Para enfrentar esses desafios, os autores propõem a TF-UNet, uma arquitetura de aprendizado profundo inspirada na física, projetada especificamente para a decodificação de speckle variante no espaço de TFs. A inovação central reside no aumento das conexões de salto (skip connections) da U-Net padrão com um módulo de fusão hierárquica de MLP agrupado (hierarchical grouped-MLP fusion).

• Design Baseado em Física: Reconhecendo que o acoplamento intermodal nas TFs cria dependências não locais, os autores integram MLPs agrupados nas vias de salto. Esses MLPs realizam misturas de alta ordem, entre canais e entre espaços, permitindo que a rede capture características relacionadas à geometria de múltiplas escalas do codificador antes de fundi-las no decodificador.
• Eficiência: O design de MLP agrupado reduz a complexidade computacional de $O(CN^2)$ (por canal) para aproximadamente $O(GN^2)$, onde $G$ é o número de grupos e $N$ é a dimensão espacial. Isso permite a reconstrução de alta resolução (512×512) com complexidade quadrática, em vez dos custos cúbicos ou superiores associados aos mecanismos de atenção total.
• Regularização de Ortogonalidade: Para promover o desmembramento de modos (mode disentanglement) consistente com a separação física dos modos, uma perda de ortogonalidade é aplicada às características mais profundas do codificador. Isso incentiva a independência estatística entre os canais, alinhando as representações aprendidas com a separação física de modos necessária para uma inversão precisa.
• Protocolo de Treinamento: O modelo é treinado em pares de máscara de speckle binária de apenas intensidade, derivados de imagens naturais (ImageNet) e conjuntos de dados biológicos. A função de perda combina o Erro Quadrático Médio (MSE) com o regularizador de ortogonalidade.

Configuração Experimental e Conjuntos de Dados
O estudo utiliza uma configuração experimental personalizada envolvendo um laser de onda contínua de 532 nm, um Dispositivo de Microespelhos Digitais (DMD) para geração de padrões e uma fibra óptica cônica com ponta de 5 µm (NA = 0,39, comprimento ativo = 2,5 mm).

• Conjunto de Dados Primário: 13.440 pares de speckle-máscara (6.720 para TF e 6.720 para FF) gerados a partir de imagens naturais, divididos em conjuntos de treinamento/validação/teste de 8:1:1.
• Validação Biológica: Para testar a generalização além das máscaras sintéticas, os autores validaram o modelo em dois conjuntos de dados biológicos específicos:
  1. Dados Neurais: 4.440 quadros de imagem de cálcio do córtex profundo (64 níveis de cinza).
  2. Dados Vasculares: 4.000 imagens binarizadas de vasculatura cerebral de roedores derivadas de pilhas de microscopia de dois fótons.

Principais Resultados
O desempenho da TF-UNet foi comparado com cinco arquiteturas de última geração (UNet, R2-UNet, TransUNet, VQVAE2 e MSMDFNet) através de múltiplas métricas (PSNR, SSIM, MS-SSIM, LPIPS e Correlação de Pearson).

• Desempenho Quantitativo em TFs: A TF-UNet alcançou a maior Similaridade Estrutural (SSIM: 0,24) e Similaridade Estrutural Multiescala (MS-SSIM: 0,32), superando todas as bases de comparação. Empatou com a melhor Correlação de Pearson (0,50) com a TransUNet, mantendo um PSNR competitivo (9,17 dB) e LPIPS (0,64). Notavelmente, alcançou esses resultados com consumo de memória e custo computacional significativamente menores do que a TransUNet, que enfrenta dificuldades com a resolução de 512×512 devido à complexidade quadrática da atenção.
• Validação Biológica:
  • Imagem Neuronal: A TF-UNet reconstruiu morfologias neuronais contínuas (~15 µm de resolução) a partir de dados de imagem de cálcio, enquanto as UNets de base produziram estruturas fragmentadas. As séries temporais reconstruídas mostraram alta concordância com o ground truth (correlação de Pearson de 0,81 para traços de $\Delta F/F_0$), permitindo a definição confiável de regiões de interesse (ROI).
  • Imagem Vascular: O modelo resolveu redes vasculares finas na escala de dezenas de micrômetros, demonstrando a transferibilidade do mapeamento inverso aprendido para morfologias biológicas estruturadas.
• Análise de Cobertura de Fótons: O estudo revelou uma relação não monotônica entre a cobertura de fótons e a qualidade perceptual. As métricas perceptuais (SSIM, LPIPS) caíram em ~70% de cobertura devido ao forte acoplamento não adiabático no anel médio, sugerindo que estratégias de aquisição espacialmente adaptativas poderiam otimizar ainda mais o desempenho.

Significância e Alegações
O artigo afirma que a TF-UNet oferece uma solução robusta para a reconstrução de imagem única (single-shot) sem varredura (scanning-free) através de fibras ópticas de tamanho micrométrico, uma capacidade anteriormente limitada pela complexidade do acoplamento intermodal em geometrias cônicas.

• Interpretabilidade Física: Ao incorporar fusão inspirada na física (MLP agrupado) e regularização (ortogonalidade) diretamente na arquitetura da rede, o método lida efetivamente com a natureza variante no espaço das TFs sem exigir conjuntos de dados massivos ou calibrações complexas.
• Capacidade de Alta Resolução: A abordagem permite a reconstrução em uma matriz de 512×512 usando uma fibra com uma ponta de diâmetro de apenas 5 µm, um salto significativo em relação aos métodos anteriores que eram tipicamente limitados a resoluções menores (ex: 28×28 a 120×120) ou núcleos de fibra maiores.
• Potencial Biomédico: A reconstrução bem-sucedida da dinâmica de cálcio neuronal e de estruturas vasculares valida o potencial do framework para imagem cerebral profunda, crônica e minimamente invasiva. Os autores enfatizam que o método elimina a necessidade de varredura ativa ou modelagem de frente de onda, reduzindo a complexidade do sistema e a demanda de energia, o que é crítico para aplicações implantáveis de longo prazo.

Os autores concluem que, embora o trabalho atual seja limitado a medições de intensidade monocromáticas, o co-design de módulos neurais com princípios de propagação óptica fornece um framework transferível para resolver problemas inversos variantes no espaço em óptica computacional, com potenciais aplicações estendendo-se à astronomia, sensoriamento remoto e inspeção industrial.