Depth resolution and multiexponential lifetime analyses of reflectance-based time-domain fluorescence data
Notice bibliographique
Résumé
Time-domain fluorescence imaging is a powerful new technique that adds a rich amount of information to conventional fluorescence imaging. Specifically, time-domain fluorescence can be used to remove autofluorescence from signals, resolve multiple fluorophore concentrations, provide information about tissue microenvironments, and, for reflectance-based imaging systems, resolve inclusion depth. The present study provides the theory behind an improved method of analyzing reflectance-based time-domain data that is capable of accurately recovering mixed concentration ratios of multiple fluorescent agents while also recovering the depth of the inclusion. The utility of the approach was demonstrated in a number of simulations and in tissuelike phantom experiments using a short source-detector separation system. The major findings of this study were (1) both depth of an inclusion and accurate ratios of two-fluorophore concentrations can be recovered accurately up to depths of approximately 1 cm with only the optical properties of the medium as prior knowledge, (2) resolving the depth and accounting for the dispersion effects on fluorescent lifetimes is crucial to the accuracy of recovered ratios, and (3) ratios of three-fluorophore concentrations can be resolved at depth but only if the lifetimes of the three fluorophores are used as prior knowledge. By accurately resolving the concentration ratios of two to three fluorophores, it may be possible to remove autofluorescence or carry out quantitative techniques, such as reference tracer kinetic modeling or ratiometric approaches, to determine receptor binding or microenvironment parameters in point-based time-domain fluorescence applications.
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 ».