Deep learning informado por la física para la reconstrucción cuantitativa en OCT

Trabajo Fin de Máster · Información Cuántica y Fotónica · Universitat Politècnica de València · 2025–2026

3,7× Reducción del error de reconstrucción

R² = 0,978 Recuperación de la atenuación

5.000 B-scans retinianos sintéticos

Resumen

La tomografía de coherencia óptica (OCT) ofrece imágenes de alta resolución y no invasivas del tejido biológico. Sin embargo, extraer propiedades cuantitativas del tejido a partir de imágenes OCT sigue siendo un reto: la señal medida combina la reflectividad del tejido, la atenuación óptica y el desenfoque del sistema de imagen.

Esta investigación explora cómo el deep learning informado por la física puede abordar este problema inverso acoplado, yendo más allá de la reconstrucción de imagen convencional hacia la recuperación cuantitativa de las propiedades ópticas del tejido.

Desarrollé un marco de reconstrucción informado por la física que combina un modelo directo de OCT diferenciable con una arquitectura U-Net multicabeza. La red estima mapas espaciales de atenuación y reflectividad del tejido, mientras que una función de pérdida de reconstrucción basada en la física garantiza que las propiedades predichas sigan siendo coherentes con la señal OCT observada.

Metodología

Diagrama del pipeline: valores reales, modelo directo, B-scan OCT sintético, U-Net multicabeza y reconstrucción PINN — Figura 1: Pipeline global del modelo inverso de OCT informado por la física.

1. Modelado físico de la OCT

Desarrollé un modelo directo diferenciable basado en la atenuación de Beer–Lambert, la sensibilidad confocal y un desenfoque por función de dispersión de punto (PSF) gaussiana dependiente de la profundidad. Este modelo permitió generar B-scans retinianos sintéticos con propiedades ópticas subyacentes conocidas.

2. Reconstrucción inversa con deep learning

Implementé una U-Net multicabeza en JAX/Flax para estimar mapas de atenuación y reflectividad del tejido a partir de imágenes OCT sintéticas. La arquitectura utiliza decodificadores especializados para capturar las distintas características espaciales de cada parámetro óptico.

3. Optimización informada por la física

Introduje una función de pérdida de reconstrucción que propaga las predicciones de la red a través del modelo directo de OCT diferenciable. Esto aporta una restricción física adicional más allá del aprendizaje supervisado convencional, y favorece que las propiedades del tejido predichas reproduzcan la observación OCT original.

4. Simulación electromagnética y validación

Mejoré un simulador electromagnético de diferencias finitas en el dominio del tiempo (FDTD) mediante suavizado subpíxel para reducir los errores numéricos de escalonamiento. Validé su respuesta de dispersión frente a la teoría analítica de Mie, abriendo una vía complementaria hacia simulaciones físicas de mayor fidelidad.

Resultados

Los experimentos con 5.000 B-scans retinianos sintéticos demostraron que incorporar la coherencia física al proceso de aprendizaje mejora sustancialmente la reconstrucción cuantitativa.

Reducción de 3,7× del error de reconstrucción: el ajuste fino informado por la física redujo el log-MSE de reconstrucción de 0,893 a 0,241.
Alta precisión en la recuperación de parámetros: la atenuación alcanzó un R² = 0,978 y la reflectividad un R² = 0,959 en el conjunto de prueba sintético reservado.
Mayor coherencia física: la señal OCT reconstruida se acercó sustancialmente a la observación original, manteniendo una alta precisión en los parámetros del tejido.

Gráficos de barras que comparan errores y valores de R² antes y después del PINN — Figura 2: Métricas de prueba antes y después del PINN. Izquierda: errores (cuanto más bajo, mejor). Derecha: R² (cuanto más alto, mejor).

Cuadrícula de reconstrucciones OCT, mapas de atenuación y residuos antes y después del ajuste fino PINN — Figura 3: Panel cualitativo entre etapas para una muestra de prueba: observación y reconstrucciones (arriba), mapas de μ (centro) y comparación de residuos (abajo).

Tecnologías utilizadas

Python · JAX · Flax · Deep Learning · U-Net · Redes neuronales informadas por la física (PINNs) · Tomografía de coherencia óptica · FDTD · Dispersión de Mie · Electromagnetismo computacional · Computación en GPU

Contexto de la investigación

Desarrollado en el marco del proyecto de investigación europeo SEQUOIA, contribuyendo al desarrollo de nuevas técnicas de imagen óptica con mayor precisión cuantitativa.