Estrazione dei valori di dispersione della velocità di gruppo utilizzando il quantum

Aug 10, 2023

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.