Numerical-aperture transfer in holotomography with a deterministic diffusion prior

Resumo Técnico: Transferência de Abertura Numérica em Holotomografia com um Prior de Difusão Determinístico

Definição do Problema
A holotomografia (HT) de alto rendimento enfrenta um compromisso fundamental entre compatibilidade de triagem e resolução subcelular. Enquanto sistemas de nível de pesquisa, utilizando objetivas de curta distância de trabalho, alcançam altas aberturas numéricas (NA) de iluminação e detecção, aplicações de alto rendimento (ex: placas de múltiplos poços, triagens de organoides) requerem óticas de longa distância de trabalho que limitam a NA de iluminação (frequentemente <0,5). Essa redução trunca o suporte de Fourier 3D acessível do potencial de espalhamento, suprimindo o conteúdo de frequência espacial do índice de refração (RI), alargando estruturas finas e reduzindo o contraste aparente.

Abordagens computacionais existentes, como regularizadores de aprendizagem profunda ou aprendizagem no domínio da projeção, abordam a qualidade da imagem ou artefatos de cone ausente, mas não são projetadas para transferência de NA: recuperar volumes de RI equivalentes a alta NA a partir de medições de baixa NA sob um operador de domínio de Fourier conhecido e limitado pela NA. O desafio central é que a banda de alta frequência ausente não está meramente borrada, mas inteiramente ausente da medição, tornando o problema inverso mal posto. A tarefa requer um prior aprendido para estimar o conteúdo de frequência não medido, permanecendo estritamente ancorado ao suporte de baixa NA medido para evitar alucinações.

Metodologia: ResShift-ODE
Os autores propõem o ResShift-ODE, um framework de prior de difusão determinístico para transferir tomogramas de RI de baixa NA para volumes equivalentes de alta NA sem modificação de hardware.

1. Formulação Física: O problema é formulado como a recuperação condicional de um volume de alta NA ($x_H$) a partir de uma observação de baixa NA ($x_L$). O operador direto é definido como uma restrição de suporte de Fourier coerente: $x_L = \mathcal{F}^{-1}[M_{K_L} \mathcal{F}[x_H]] + n_{obs}$, onde $M_{K_L}$ é a máscara para a abertura sintética de baixa NA.
2. Geração de Dados: Para criar pares de treinamento registrados em voxels, os autores aplicam o operador direto analítico de baixa NA a reconstruções adquiridas experimentalmente com alta NA. Esta estratégia "baixa-a-partir-de-alta" emula toda a cadeia de medição e reconstrução, incluindo a regularização não linear, para produzir um substituto realista para os dados físicos de baixa NA.
3. Prior de Difusão (ResShift): Ao contrário dos Modelos Probabilísticos de Difusão de Denoising (DDPMs) padrão que difundem em direção a um ruído Gaussiano incondicional, o ResShift emprega uma cadeia de Markov de deslocamento residual (residual-shifting). O processo direto desloca o estado de alta NA em direção à medição de baixa NA ($x_L$), em vez de ruído. Isso ancora a trajetória reversa aos dados observados.
4. Amostragem Determinística (ODE): Para permitir inferência reprodutível de poucos passos, o processo reverso estocástico é reformulado como uma Equação Diferencial Ordinária (ODE) de fluxo de probabilidade. Isso remove o termo de movimento browniano enquanto reutiliza o denoiser treinado. A trajetória reversa é integrada usando um esquema de Euler de primeira ordem ao longo de cinco passos (5 avaliações do denoiser).
5. Arquitetura de Rede: O modelo utiliza um backbone 3D U-Net customizado apresentando um núcleo de Conv2D + atenção axial para gerenciar restrições de memória 3D, blocos residuais de pré-ativação e embeddings de posição rotativos. A entrada concatena o estado de difusão atual com a condição de baixa NA.

Resultos Principis
O método foi avaliado em volumes de teste de pares emulados mantidos fora do conjunto de treinamento, abrangendo três tipos de células: levedura (S. cerevisiae), células HepG2 aderentes e linfoblastos K562.

• Precisão de Reconstrução: Nos volumes testados, os outputs equivalentes de alta NA inferidos corresponderam às referências de alta NA com erros de RI de 0,002–0,003 para >99% dos voxels. Especificamente, 99,92% dos voxels de levedura, 99,39% de HepG2 e 99,51% de K562 caíram dentro desses limites de erro.
• Comportamento no Domínio de Fourier: A análise de Fourier confirmou que o modelo recuperou com sucesso as frequências espaciais no anel lateral de alta frequência (fora do suporte de baixa NA, mas dentro do suporte de alta NA). Crucialmente, o modelo não preencheu artificialmente o cone ausente axial, que permanece vazio tanto na entrada de baixa NA quanto na referência de alta NA. Isso demonstra que o prior completa apenas a banda lateral populada nos alvos de alta NA, respeitando as restrições físicas do cone ausente.
• Eficiência Computacional: O ResShift-ODE requer apenas 5 avaliações do denoiser por volume.
  • É aproximadamente 166× mais rápido que um baseline de 3D DDPM de 1000 passos.
  • É aproximadamente 2,7× mais rápido que o 3D ResShift estocástico (que requer 15 passos).
  • Incorre em um custo computacional de ~5,8× em relação a uma U-Net 3D determinística, mas fornece um prior generativo para completamento de banda em vez de uma simples regressão.

Significância e Alegações
Os autores alegam que a principal contribuição não é o amostrador de difusão em si, mas a formulação do problema: tratar a transferência de baixa-para-alta NA como um problema inverso de prior de difusão sob um operador direto explícito de domínio de Fourier limitado pela NA.

• Completamento Ancorado na Medição: O framework alcança o "completamento de banda" em vez de deconvolução. Ao ancorar a trajetória reversa à medição de baixa NA, o método garante que as estruturas recuperadas na banda de alta frequência não medida sejam estimativas guiadas pelo prior e restritas pelos dados, em vez de síntese indiscriminada.
• Reprodutibilidade: Reformular o processo como uma ODE de fluxo de probabilidade permite inferência determinística e reprodutível em apenas cinco passos, abordando a estocasticidade e o alto custo computacional dos modelos de difusão padrão.
• Melhoria de Resolução Apenas via Software: A abordagem oferece uma rota via software para melhorar o compromisso entre resolução e rendimento em sistemas de holotomografia existentes, permitindo que óticas de longa distância de trabalho recuperem características de RI resolvidas lateralmente (ex: puncta subcelulares, textura interna) que tipicamente exigiriam óticas de curta distância de trabalho de alta NA.

Limitações e Escopo
Os autores explicitamente observam que os resultados quantitativos baseiam-se em entradas de baixa NA numericamente emuladas geradas a partir de dados de alta NA. Embora isso valide a inversão do operador analítico, o desempenho do método em dados físicos de baixa NA adquiridos independentemente (que podem conter aberrações ou ruídos não modelados) ainda precisa ser estabelecido. Além disso, o conjunto de dados atual é limitado a três tipos de células sob condições de imersão em ar; a extensão para outras modalidades ou tipos de amostras requer operadores diretos específicos e dados de calibração. O método é apresentado como um prior generativo ancorado na medição, onde as características na banda de alta frequência recuperada devem ser interpretadas como estimativas guiadas pelo prior, e não como medições diretas.