Development of a virtual 3D renal corpuscle for educational environments
Notice bibliographique
Résumé
Histology is a challenging educational discipline. It requires studying 2‐dimensional (2D) microscopic sections of tissue and inferring three‐dimensional (3D) organization. Gross anatomical education has benefitted from the burgeoning use of 3D models and images, however, 3D digital models of histological structures have not been developed for educational purposes. To overcome these limitations we have developed a 3D histological model of a renal corpuscle (RC) based on serial histological sections for e‐learning environments. Sprague Dawley rat kidneys were fixed, dehydrated, and embedded in epoxy resin (Embed‐812). Ribbons of serial semi‐thin sections (1μm thick) were obtained using a diamond knife and ultramicrotome. The sections containing the RC (n=179) were digitized and the images were aligned with the 3D visualization software, Amira 5.2, for 3D model development. Key structures of the RC and surrounding tissue were digitally reconstructed via manual segmentation. The resulting digital model allows for the generation of RC images in any plane with resolutions comparable to that of the original images. Users may view digitally generated histological sections in the context of the 3D renal corpuscle, enabling user interactivity and visualization in a variety of 2D or 3D orientations. Future plans for the model include developing an e‐learning module and subjecting it to usability tests. Grant Funding Source : Instructional Innovation and Development Fund (IIDF)
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».