Monitoring cells in engineered tissues with optical coherence phase microscopy: Optical phase fluctuations as endogenous sources of contrast
Notice bibliographique
Résumé
There is a need in tissue engineering to monitor cell growth and health within 3D constructs non-invasively and in a label-free manner. We have previously shown that optical coherence phase microscopy was sensitive enough to monitor intracellular motion. Here we demonstrate that intracellular motility can be used as an endogeneous contrast agent to image cells in various 3D engineered tissue architectures. Phase and intensity-based reconstruction algorithms are compared. In this study, we used an optical coherence phase microscope set up in a common path configuration, developed around a Callisto OCT engine (Thorlbas) centred at 930nm and an inverted microscope with a custom scanning head. Intensity data were used to perform in-depth microstructural imaging. In addition, phase fluctuations were measured by collecting several successive B scans at the same location, and the first time derivative of the phase, i.e. time fluctuations, was analysed over the acquisition time interval to map the motility. Alternative intensity-based Doppler variance algorithms were also investigated. Two distinct scaffold systems seeded with adult stem cells; algimatrix (Invitrogen) and custom microfabricated poly(D,L-lactic-co-glycolic acid) fibrous scaffolds, as well as cell pellets were imaged. We showed that optical phase fluctuations resulting from intracellular motility can be used as an endogenous source of contrast for optical coherence phase microscopy enabling the distinction of viable cells from the surrounding scaffold.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».