Toward Micro-Endoscopy: Distal-Free, Configuration-Agnostic Focusing Through Multimode Fiber

Resumo Técnico: Rumo à Microendoscopia: Foco Livre de Distal e Agnóstico à Configuração através de Fibra Multimodo

Declaração do Problema
As fibras multimodo (MMFs) oferecem uma plataforma promissora para imageamento biomédico de alta resolução e comunicação óptica devido à sua capacidade de suportar múltiplos modos espaciais simultaneamente. Essa capacidade permite uma miniaturização significativa das sondas endoscópicas, possibilitando o acesso a regiões biológicas confinadas com dano mínimo aos tecidos. No entanto, a aplicação prática das MMFs é prejudicada pelo comportamento modal complexo. Em condições do mundo real, perturbações ambientais, como flutuações de temperatura, curvatura da fibra e tensão mecânica, induzem acoplamento modal. Esse acoplamento embaralha as relações de fase entre os modos próprios, distorcendo o campo transmitido e tornando a matriz de transmissão (TM) dependente da configuração instantânea da fibra.

Estratégias convencionais de moldagem de frente de onda, como otimização por feedback em malha fechada e caracterização da matriz de transmissão (TM), geralmente exigem acesso direto à face distal (saída) da fibra para medir o campo transmitido. Essa exigência torna-as impraticáveis para aplicações in-situ, como endoscopia, onde a extremidade distal é inacessível. Além disso, as abordagens existentes de aprendizado profundo que dependem exclusivamente de frentes de onda de entrada carecem das informações condicionais necessárias para generalizar entre configurações de fibra variáveis e dinâmicas, levando a falhas quando a fibra é perturbada.

Metodologia
Os autores propõem uma estrutura baseada em aprendizado profundo que permite o foco através de uma MMF sem exigir feedback distal. O princípio central baseia-se no acoplamento físico entre a matriz de transmissão ($T$) da fibra e sua matriz de reflexão ($R$). Como ambas as matrizes são determinadas pela mesma configuração subjacente da fibra, o sinal refletido codifica o estado instantâneo da fibra.

A metodologia envolve os seguintes componentes:

1. Rede Neural Profunda (DNN) Informada por Reflexão: Os autores projetaram uma arquitetura U-Net com três ramos codificadores separados. Esses ramos processam três modalidades de entrada distintas:
   • O padrão de fase espacial aplicado por um Modulador Espacial de Luz (SLM) na extremidade proximal.
   • A intensidade do sinal refletido medida no plano da imagem.
   • A intensidade do sinal refletido medida no plano de Fourier.
     As saídas desses codificadores são concatenadas e alimentadas em um único decodificador para reconstruir a distribuição de intensidade estimada do campo transmitido na extremidade distal.
2. Conjunto de Dados de Treinamento: O modelo foi treinado em um conjunto de dados abrangente composto por 4,5 milhões de conjuntos de imagens coletados de 1.200 configurações de fibra distintas. Cada configuração foi gerada usando uma etapa motorizada para induzir curvatura mecânica controlada. Para cada configuração, 10 processos de foco independentes foram realizados usando um algoritmo genético para otimizar a máscara de fase do SLM. Durante esses processos, o sistema capturou a máscara de fase do SLM, as intensidades refletidas (planos da imagem e de Fourier) e as intensidades transmitidas verdadeiras (ground-truth).
3. Foco por Feedback Indireto: Para validar o sistema, os autores implementaram um laço de feedback indireto. A DNN prevê o campo transmitido com base no padrão do SLM e nos sinais refletidos. Uma métrica de "Força de Foco" (FS) é calculada a partir dessa previsão e usada para orientar um algoritmo genético na atualização do padrão de fase do SLM. Esse processo itera sem qualquer medição direta do campo transmitido.

Principais Resultados
O estudo demonstra desempenho robusto em várias métricas:

• Generalização para Configurações Inéditas: O modelo foi testado em 240 configurações de fibra que não estavam presentes no conjunto de treinamento. Ele previu com sucesso os padrões de speckle transmitidos, capturando as características salientes e a estrutura geral, apesar do acoplamento modal significativo.
• Precisão Quantitativa: O modelo alcançou um Desvio de Foco (FD) médio de 14% nas configurações de teste. Essa métrica representa a diferença relativa entre a força de foco calculada a partir da verdade fundamental e a previsão do modelo.
• Superioridade sobre Linhas de Base: Quando comparado a uma U-Net de linha de base treinada apenas em padrões de entrada do SLM (sem dados de reflexão), o modelo informado por reflexão mostrou desempenho superior em todas as métricas, incluindo Índice de Similaridade Estrutural (SSIM), correlação de Pearson e Erro Quadrático Médio (MSE). A inclusão de dados de reflexão foi crítica para manter a precisão sob perturbações mecânicas.
• Foco Livre de Distal: Em 100 experimentos de foco independentes em configurações de fibra aleatórias e inéditas, o laço de feedback indireto conduziu com sucesso o campo transmitido físico real a um foco de alta intensidade. A força de foco da verdade fundamental aumentou monotonicamente, convergindo para um foco forte, validando que as previsões do modelo refletem com precisão a realidade física da saída da fibra.

Significado e Alegações
O artigo afirma que essa estrutura representa um passo significativo rumo à implantação de MMFs em ambientes dinâmicos e do mundo real onde o acesso distal é impossível. Ao desacoplar o processo de otimização da frente de onda da necessidade de feedback distal, a abordagem aborda um grande gargalo na microendoscopia baseada em MMF e nas comunicações ópticas.

Os autores enfatizam que seu método permite foco robusto e de alto contraste em configurações de fibra arbitrárias e desconhecidas. Eles postulam que essa técnica baseada em aprendizado abre caminho para foco eficiente e não invasivo em aplicações práticas. Embora a implementação atual dependa de um algoritmo genético iterativo para otimização, os autores observam que a estrutura estabelece a base para futuros focos de disparo único e em tempo real, potencialmente treinando redes de design inverso para mapear diretamente reflexões para máscaras de fase necessárias. O trabalho sublinha o potencial de aproveitar sinais refletidos para decodificar estados complexos de fibra, oferecendo uma solução viável para controle adaptativo em fotônica e imageamento biomédico.