Extraindo valores de dispersão de velocidade de grupo usando quantum

Aug 10, 2023

Scientific Reports volume 13, Artigo número: 6596 (2023) Citar este artigo

477 Acessos

2 Altmétrico

Detalhes das métricas

As imagens de tomografia de coerência óptica quântica (Qm-OCT) estão repletas de artefatos - picos parasitas que emergem como um subproduto do algoritmo usado neste método. No entanto, a forma e o comportamento de um artefato estão exclusivamente relacionados à Dispersão de Velocidade de Grupo (GVD) da camada à qual esse artefato corresponde e, consequentemente, os valores de GVD podem ser inferidos analisando-os cuidadosamente. Como para objetos multicamadas o número de artefatos é muito alto para permitir análises específicas de camadas, empregamos uma solução baseada em Machine Learning. Treinamos uma rede neural com dados Qm-OCT como entrada e perfis de dispersão, ou seja, distribuição de profundidade de GVD dentro de um A-scan, como saída. Ao contabilizar o ruído durante o treinamento, processamos dados experimentais e estimamos os valores de GVD de BK7 e safira, bem como fornecemos uma distribuição qualitativa de valores de GVD em uva e pepino. Em comparação com outros métodos de recuperação de GVD, nossa solução não requer entrada do usuário, fornece automaticamente valores de dispersão para todas as camadas visualizadas e é escalonável. Analisamos os fatores que afetam a precisão da determinação da GVD: ruído nos dados experimentais, bem como limitações físicas gerais da detecção de alterações induzidas pela GVD, e sugerimos possíveis soluções.

A tomografia de coerência óptica com imitação quântica (Qm-OCT) alcança aprimoramento de resolução e cancelamento de dispersão de ordem uniforme, imitando o emaranhamento quântico encontrado no Quantum OCT. Proposto teoricamente de várias formas, 1,2,3 O Qm-OCT é realizado experimentalmente através da introdução de modificações na configuração de detecção de OCT 4,5,6,7 ou simplesmente aplicando um algoritmo de computador aos espectros brutos de OCT . Em princípio, um Qm-OCT A-scan é obtido pela transformação de Hilbert do espectro, autocorrelacionando-o e então realizando a transformação de Fourier. Um sinal muito mais útil em termos de conteúdo de informação é denominado pilha FFT e é obtido pelo processamento de vários fragmentos do espectro.

O núcleo deste método é a autocorrelação cuja implementação – experimental ou algorítmica – resulta na criação de artefatos. Artefatos são picos adicionais que não representam a estrutura do objeto fotografado e levam à confusão da imagem em busca de objetos de múltiplas camadas. Esses artefatos são específicos da camada: seu comportamento e formato na pilha FFT estão relacionados aos parâmetros ópticos da camada à qual correspondem. Um desses parâmetros ópticos é a Dispersão de Velocidade de Grupo (GVD), que representa variações dependentes do comprimento de onda do índice de refração dentro de um objeto. O GVD é considerado prejudicial, pois leva à degradação da resolução, especialmente para camadas mais profundas, devido à natureza acumulativa da dispersão e à incapacidade de compensá-la para cada camada individual de uma só vez. No entanto, este efeito prejudicial pode ser usado em benefício próprio: os valores GVD podem ser extraídos para caracterizar o objeto fotografado. Em geral, os métodos que permitem a extração de GVD utilizam os seguintes efeitos de dispersão no sinal: degradação da resolução, mudança de localização de pico entre A-scans obtidos a partir de dois fragmentos diferentes de um espectro e diferenças de fase espectral. Uma comparação muito boa do desempenho desses métodos pode ser encontrada na publicação de Photiou e Pitris14. A GVD extraída pode ser correlacionada com a salinidade de meios semelhantes a água15 ou pode até mesmo ser correlacionada com sinais precoces ou progressão de doenças11. Infelizmente, as abordagens atuais usadas para determinar os valores de GVD são muito propensas a erros11 ou funcionam apenas para objetos muito simples10,12. Embora tenha sido demonstrado que em alguns casos eles atingem erros médios de 1%14, eles estão longe de ser automáticos e exigem a entrada do usuário, especialmente quando o GVD deve ser recuperado para múltiplas camadas dentro de um A-scan.