Extraction des valeurs de dispersion de vitesse de groupe à l'aide du quantum

Aug 10, 2023

Rapports scientifiques volume 13, Numéro d'article : 6596 (2023) Citer cet article

477 Accès

2 Altmétrique

Détails des métriques

Les images de tomographie par cohérence optique (Qm-OCT) sont encombrées d'artefacts - des pics parasites qui apparaissent comme un sous-produit de l'algorithme utilisé dans cette méthode. Cependant, la forme et le comportement d'un artefact sont uniquement liés à la dispersion de vitesse de groupe (GVD) de la couche à laquelle cet artefact correspond et, par conséquent, les valeurs de GVD peuvent être déduites en les analysant soigneusement. Étant donné que pour les objets multicouches, le nombre d'artefacts est trop élevé pour permettre une analyse spécifique à chaque couche, nous utilisons une solution basée sur le Machine Learning. Nous formons un réseau neuronal avec des données Qm-OCT comme entrée et des profils de dispersion, c'est-à-dire la distribution en profondeur de GVD dans un A-scan, comme sortie. En tenant compte du bruit pendant l'entraînement, nous traitons les données expérimentales et estimons les valeurs GVD du BK7 et du saphir, ainsi que fournissons une distribution qualitative des valeurs GVD dans un raisin et un concombre. Par rapport à d'autres méthodes de récupération de GVD, notre solution ne nécessite aucune intervention de l'utilisateur, fournit automatiquement des valeurs de dispersion pour toutes les couches visualisées et est évolutive. Nous analysons les facteurs affectant la précision de la détermination du GVD : le bruit dans les données expérimentales ainsi que les limitations physiques générales de la détection des changements induits par le GVD, et suggérons des solutions possibles.

La tomographie par cohérence optique imitative quantique (Qm-OCT) permet d'améliorer la résolution et d'annuler la dispersion d'ordre pair en imitant l'intrication quantique trouvée dans l'OCT quantique. Proposé théoriquement sous diverses formes, Qm-OCT est réalisé expérimentalement en introduisant des modifications dans la configuration de détection OCT4,5,6,7 ou simplement en appliquant un algorithme informatique aux spectres OCT bruts8,9. En principe, un A-scan Qm-OCT est obtenu en transformant le spectre par Hilbert, en l'autocorrélant puis en effectuant une transformation de Fourier. Un signal beaucoup plus utile en termes de contenu informationnel est appelé pile FFT et est obtenu en traitant plusieurs fragments du spectre.

Le cœur de cette méthode est l’autocorrélation dont la mise en œuvre – expérimentale ou algorithmique – aboutit à la création d’artefacts. Les artefacts sont des pics supplémentaires qui ne représentent pas la structure de l'objet imagé et conduisent à un brouillage de l'image pour des objets multicouches. Ces artefacts sont spécifiques à une couche : leur comportement et leur forme dans la pile FFT sont liés aux paramètres optiques de la couche à laquelle ils correspondent. L'un de ces paramètres optiques est la dispersion de vitesse de groupe (GVD), qui représente les variations dépendant de la longueur d'onde de l'indice de réfraction à l'intérieur d'un objet. La GVD est considérée comme nuisible car elle entraîne une dégradation de la résolution, en particulier pour les couches plus profondes, en raison de la nature cumulative de la dispersion et de l'incapacité de la compenser pour chaque couche individuelle à la fois. Cependant, cet effet néfaste peut être utilisé à son avantage : les valeurs GVD peuvent être extraites pour caractériser l’objet imagé. En général, les méthodes permettant l'extraction de GVD exploitent les effets de dispersion suivants sur le signal : dégradation de la résolution10,11, décalage de l'emplacement des pics entre les A-scans obtenus à partir de deux fragments différents d'un spectre12 et différences de phase spectrale13. Une très bonne comparaison des performances de ces méthodes peut être trouvée dans la publication de Photiou et Pitris14. La GVD extraite peut être corrélée à la salinité des milieux aqueux15 ou peut même être corrélée aux premiers signes ou à la progression de maladies11. Malheureusement, les approches actuelles utilisées pour déterminer les valeurs de GVD sont soit très sujettes aux erreurs11, soit ne fonctionnent que pour des objets très simples10,12. Bien qu'il ait été démontré que dans certains cas, ils atteignent des erreurs moyennes de 1 %14, ils sont loin d'être automatiques et nécessitent la participation de l'utilisateur, en particulier lorsque le GVD doit être récupéré pour plusieurs couches au sein d'un A-scan.