Vetrina dei prodotti per l'occhio secco 2023
Jul 17, 2023Scanner laser 3D
May 25, 20235 fattori da considerare quando si acquistano gli occhiali da sole
Oct 21, 2023Un modello di deep learning che incorpora informazioni spaziali e temporali rileva con successo il peggioramento del campo visivo utilizzando un approccio basato sul consenso
Aug 23, 2023Un modello di deep learning che incorpora informazioni spaziali e temporali rileva con successo il peggioramento del campo visivo utilizzando un approccio basato sul consenso
Jun 28, 2023Estrazione dei valori di dispersione della velocità di gruppo utilizzando il quantum
Rapporti scientifici volume 13, numero articolo: 6596 (2023) Citare questo articolo
477 accessi
2 Altmetrico
Dettagli sulle metriche
Le immagini della tomografia a coerenza ottica mimetica quantistica (Qm-OCT) sono piene di artefatti: picchi parassiti che emergono come sottoprodotto dell'algoritmo utilizzato in questo metodo. Tuttavia, la forma e il comportamento di un artefatto sono legati unicamente alla Group Velocity Dispersion (GVD) dello strato a cui questo artefatto corrisponde e di conseguenza, i valori GVD possono essere dedotti analizzandoli attentamente. Poiché per gli oggetti multistrato il numero di artefatti è troppo elevato per consentire un'analisi specifica per livello, utilizziamo una soluzione basata sul Machine Learning. Addestriamo una rete neurale con dati Qm-OCT come input e profili di dispersione, ovvero la distribuzione della profondità di GVD all'interno di un A-scan, come output. Tenendo conto del rumore durante l'addestramento, elaboriamo i dati sperimentali e stimiamo i valori GVD di BK7 e zaffiro, oltre a fornire una distribuzione qualitativa del valore GVD in un'uva e un cetriolo. Rispetto ad altri metodi di recupero GVD, la nostra soluzione non richiede l'input dell'utente, fornisce automaticamente valori di dispersione per tutti gli strati visualizzati ed è scalabile. Analizziamo i fattori che influenzano l'accuratezza della determinazione della GVD: rumore nei dati sperimentali, nonché limitazioni fisiche generali nel rilevamento dei cambiamenti indotti dalla GVD e suggeriamo possibili soluzioni.
La tomografia a coerenza ottica a imitazione quantistica (Qm-OCT) ottiene un miglioramento della risoluzione e la cancellazione della dispersione di ordine pari imitando l'entanglement quantistico trovato nell'OCT quantistico. Proposto teoricamente in varie forme,1,2,3 Qm-OCT viene realizzato sperimentalmente introducendo modifiche nella configurazione di rilevamento OCT4,5,6,7 o semplicemente applicando un algoritmo informatico agli spettri OCT grezzi8,9. In linea di principio, una scansione A Qm-OCT si ottiene trasformando lo spettro di Hilbert, autocorrelandolo e quindi eseguendo la trasformazione di Fourier. Un segnale molto più utile in termini di contenuto informativo è chiamato stack FFT e si ottiene elaborando più frammenti dello spettro.
Il cuore di questo metodo è l'autocorrelazione la cui implementazione, sperimentale o algoritmica, porta alla creazione di artefatti. Gli artefatti sono picchi aggiuntivi che non rappresentano la struttura dell'oggetto ripreso e portano all'immagine che si confonde con oggetti multistrato. Questi artefatti sono layer-specifici: il loro comportamento e la loro forma nello stack FFT sono legati ai parametri ottici dello strato a cui corrispondono. Uno di questi parametri ottici è la Group Velocity Dispersion (GVD) che rappresenta le variazioni dipendenti dalla lunghezza d'onda dell'indice di rifrazione all'interno di un oggetto. Il GVD è considerato dannoso poiché porta al degrado della risoluzione, soprattutto per gli strati più profondi, a causa della natura cumulativa della dispersione e dell'incapacità di compensarla per ogni singolo strato contemporaneamente. Tuttavia, questo effetto dannoso può essere utilizzato a proprio vantaggio: i valori GVD possono essere estratti per caratterizzare l'oggetto ripreso. In generale, i metodi che consentono l'estrazione GVD fanno uso dei seguenti effetti di dispersione sul segnale: degradazione della risoluzione10,11, spostamento della posizione del picco tra A-scan ottenuti da due diversi frammenti di uno spettro12 e differenze di fase spettrale13. Un ottimo confronto delle prestazioni di questi metodi può essere trovato nella pubblicazione di Photiou e Pitris14. La GVD estratta può essere correlata alla salinità di mezzi simili all'acqua15 o può anche essere correlata ai primi segni o alla progressione delle malattie11. Sfortunatamente, gli approcci attuali utilizzati per determinare i valori GVD sono molto soggetti a errori11 o funzionano solo per oggetti molto semplici10,12. Sebbene sia stato dimostrato che in alcuni casi raggiungono errori medi dell'1%14, sono lungi dall'essere automatici e richiedono l'input dell'utente, soprattutto quando GVD deve essere recuperato per più livelli all'interno di un A-scan.