양자를 이용한 군속도분산 값 추출

Aug 10, 2023

Scientific Reports 13권, 기사 번호: 6596(2023) 이 기사 인용

477 액세스

2 알트메트릭

측정항목 세부정보

Qm-OCT(양자 모방 광 간섭 단층 촬영) 이미지는 인공물, 즉 이 방법에 사용된 알고리즘의 부산물로 나타나는 기생 피크로 가득 차 있습니다. 그러나 인공물의 모양과 동작은 이 인공물이 해당하는 레이어의 GVD(Group Velocity Dispersion)와 고유하게 관련되어 있으며 결과적으로 GVD 값은 신중하게 분석하여 추론할 수 있습니다. 다층 객체의 경우 아티팩트 수가 너무 많아 계층별 분석이 불가능하므로 기계 학습 기반 솔루션을 사용합니다. 우리는 Qm-OCT 데이터를 입력으로 사용하고 분산 프로파일, 즉 A-스캔 내 GVD의 깊이 분포를 출력으로 사용하여 신경망을 훈련합니다. 훈련 중 노이즈를 고려하여 실험 데이터를 처리하고 BK7과 사파이어의 GVD 값을 추정할 뿐만 아니라 포도와 오이의 정성적인 GVD 값 분포를 제공합니다. 다른 GVD 검색 방법과 비교하여 우리 솔루션은 사용자 입력이 필요하지 않으며 시각화된 모든 레이어에 대한 분산 값을 자동으로 제공하며 확장 가능합니다. 우리는 GVD 결정의 정확성에 영향을 미치는 요인, 즉 실험 데이터의 노이즈와 GVD로 인한 변화 감지의 일반적인 물리적 한계를 분석하고 가능한 솔루션을 제안합니다.

Qm-OCT(양자모방광간섭단층촬영)는 Quantum OCT에서 발견되는 양자 얽힘을 모방하여 해상도 향상과 짝수 분산 제거를 달성합니다. 이론적으로 다양한 형태로 제안된 Qm-OCT는 OCT 검출 설정4,5,6,7에 수정을 도입하거나 단순히 원시 OCT 스펙트럼8,9에 컴퓨터 알고리즘을 적용하여 실험적으로 실현됩니다. 원칙적으로 Qm-OCT A-스캔은 스펙트럼을 힐베르트 변환하고 자동 상관시킨 다음 푸리에 변환을 수행하여 얻습니다. 정보 내용 측면에서 훨씬 더 유용한 신호를 FFT 스택이라고 하며 스펙트럼의 여러 조각을 처리하여 얻습니다.

이 방법의 핵심은 실험적이든 알고리즘적이든 구현을 통해 인공물이 생성되는 자기상관입니다. 인공물은 이미지화된 개체의 구조를 나타내지 않고 다층 개체의 이미지 스크램블링을 초래하는 추가 피크입니다. 이러한 아티팩트는 레이어별로 다릅니다. FFT 스택의 동작과 모양은 해당 레이어의 광학 매개변수와 관련이 있습니다. 이러한 광학 매개변수 중 하나는 물체 내부 굴절률의 파장에 따른 변화를 나타내는 GVD(군 속도 분산)입니다. GVD는 분산의 누적 특성과 각 개별 레이어에 대해 동시에 보상할 수 없기 때문에 특히 더 깊은 레이어의 경우 해상도 저하를 초래하므로 해로운 것으로 간주됩니다. 그러나 이러한 해로운 효과는 유리하게 사용될 수 있습니다. GVD 값을 추출하여 이미지화된 개체를 특성화할 수 있습니다. 일반적으로 GVD 추출을 활성화하는 방법은 해상도 저하10,11, 스펙트럼의 서로 다른 두 조각에서 얻은 A-스캔 간의 피크 위치 이동, 스펙트럼 위상 차이13 등 신호에 대한 분산 효과를 활용합니다. 이러한 방법의 성능에 대한 매우 좋은 비교는 Photiou 및 Pitris14의 출판물에서 찾을 수 있습니다. 추출된 GVD는 물과 같은 배지의 염도와 상관관계가 있거나15 질병의 초기 징후 또는 진행과도 상관관계가 있을 수 있습니다11. 불행하게도 GVD 값을 결정하는 데 사용되는 현재 접근 방식은 오류가 발생하기 쉬우거나11 매우 간단한 개체에만 작동합니다10,12. 어떤 경우에는 1%14의 평균 오류를 달성하는 것으로 나타났지만 자동과는 거리가 멀고 사용자 입력이 필요합니다. 특히 A-스캔 내의 여러 레이어에 대해 GVD를 검색하는 경우 더욱 그렇습니다.