Low-Cost Continuous-Wave Diffusive Microtomography with Fiber-Scanned White-Light Illumination

Resumo Técnico: Microtomografia Difusiva de Onda Contínua de Baixo Custo com Iluminação de Luz Branca por Varredura de Fibra

Definição do Problema
A microscopia tomográfica oferece poderosas capacidades de imagem interna tridimensional, mas é tipicamente restrita pelos altos custos de capital da instrumentação necessária, como lasers pulsados ultrarrápidos, detectores de alta velocidade e fontes de raios X especializadas. Esses gastos limitam a implementação de tais tecnologias em estudos de campo de longo prazo, diagnósticos médicos de baixo recurso e microscopia para entusiastas. O artigo aborda a necessidade de um sistema de custo ultra-baixo capaz de gerar reconstruções volumétricas 3D de amostras biológicas sem depender de hardware óptico ou de raios X caro.

Metodologia
Os autores apresentam um sistema de tomografia difusiva de onda contínua (CWDT) que integra hardware de baixo custo com um modelo direto baseado em física otimizado via aprendizado de máquina.

• Configuração do Hardware: O sistema utiliza um microscópio de 120x baseado em smartphone (câmera Motorola ThinkPhone 50 MP) e uma lanterna de LED branca (BLITZU Gator 32) acoplada a uma fibra óptica (núcleo de 50 µm). A fonte de luz é posicionada utilizando microposicionadores TriAxis impressos em 3D.
  • Modo de Transmissão: Para seções finas, a fibra é colocada abaixo da amostra.
  • Modo de Inserção: Para amostras espessas e vivas (ex: ramos de álamo), a fibra é inserida no tecido. A extremidade da fibra é polida em um ângulo de 45 graus e revestida com tinta reflexiva para criar uma fonte de emissão lateral de 90 graus.
• Preparação da Amostra: Para mitigar a dispersão de luz e melhorar a qualidade da imagem, as amostras biológicas são embebidas em uma solução de tartrazina (um corante não tóxico e seguro para alimentos). Este corante atua como um agente de redução de dispersão ao igualar os índices de refração e aumentar a absorção para suprimir eventos de dispersão múltipla.
• Aquisição de Dados: O sistema captura uma pilha de imagens de transmissão enquanto a fonte de luz de fibra se move em incrementos de 100 µm através de um arranjo de posições.
• Reconstrução Computacional:
  • Um modelo direto baseado em física simula o transporte de luz através de um meio dispersivo com atenuação espacialmente variável e três canais de cores.
  • O modelo emprega uma abordagem de traçado de raios onde a luz é projetada através de camadas de atenuação, utilizando núcleos Gaussianos para a simulação de dispersão.
  • Otimização: O padrão espacial das camadas de atenuação é otimizado usando o otimizador Adam e um framework PyTorch com aceleração por GPU. A função de perda combina o Erro Quadrático Médio (MSE) entre as imagens previstas e as alvos com termos de regularização ($L_{pixel}$ e $L_{laplacian}$) para impor consistência na atenuação média e na nitidez espacial entre as camadas.
  • Análise de Confiança: Na ausência de volumes de referência (ground-truth), a confiança é avaliada via mapas de erro x/y (comparando a saída de luz simulada vs. real) e análise de resolução no eixo z usando espectros de potência de transformada de Fourier.

Principais Contribuições

1. Hardware de Custo Ultra-Baixo: A demonstração de um sistema tomográfico funcional utilizando um smartphone, uma lanterna LED branca padrão, componentes impressos em 3D e fibras ópticas comerciais.
2. CWDT de Luz Branca: Diferente de muitas aplicações de CWDT que utilizam luz no infravermelho próximo para evitar a absorção da hemoglobina, este sistema utiliza iluminação de luz branca para permitir a reconstrução volumétrica de três canais em cores totaas.
3. Estratégia de Redução de Dispersão: A aplicação de corante tartrazina em amostras biológicas para reduzir a dispersão e melhorar a relação sinal-ruído para o problema inverso.
4. Protocolos de Imagem Versáteis: O desenvolvimento de protocolos tanto para imagem de transmissão de seção fina quanto para a inserção de fibras de emissão lateral para imagem de matéria vegetal espessa e viva.
5. Framework de Código Aberto: O lançamento de código reproduzível, arquivos de microposicionadores imprimíveis em 3D e dados brutos para facilitar pesquisas futuras.

Resultos
O sistema foi testado em quatro tipos distintos de amostras, gerando resultados qualitativos e exploratórios:

• Seção de Álamo Clarificada com Tartrazina: Um volume de 940 µm x 940 µm x 250 µm foi reconstruído com um erro quadrático médio de 0,002. O sistema modelou 20 fatias de profundidade, alcançando ~1,5 µm de resolução na superfície e ~50–100 µm na profundidade máxima.
• Fantasma de Dispersão (Scattering Phantom): Um fantasma contendo partículas de carbeto de silício e leite em selante de silicone foi reconstruído com sucesso, demonstrando a capacidade do sistema de resolver partículas suspensas.
• Micélio Fúngico: A imagem volumétrica de micélio fúngico próximo a uma raiz de Arabidopsis foi alcançada.
• Ramo de Álamo Espesso: Utilizando a técnica de inserção de fibra de emissão lateral, o sistema imageou um ramo de álamo vivo de 3,5 mm de espessura, visualizando estruturas internas em 3D.

Significância e Alegações
O artigo alega modestamente que os resultados atuais são qualitativos e exploratórios. Os autores enfatizam que os volumes reconstruídos devem ser interpretados como modelos de absorbância qualitativos, em vez de medições de referência validadas independentemente, pois o modelo é otimizado especificamente para reproduzir a pilha de imagens medida.

A principal significância reside em demonstrar que a iluminação por fibra varrida combinada com hardware de baixo custo e modelos de física otimizados por aprendizado de máquina pode produzir saídas de reconstrução tridimensional úteis. Esta abordagem abre portas para experimentos de microscopia de baixo custo em contextos onde a instrumentação de alto nível não está disponível, como em implantações de campo e ambientes com recursos limitados. Os autores observam que, embora a técnica mostre promessa para amostras espessas e tecidos vivos, trabalhos futuros são necessários para validar essas reconstruções contra imagens volumétricas independentes e para refinar os modelos de transporte de luz para amostras altamente dispersivas.