MétaCan
Menu
Retour à la cohorte
Enregistrement W2041007231 · doi:10.1117/12.908995

Automated control of optical polarization for nonlinear microscopy

2012· article· en· W2041007231 sur OpenAlexaff
Craig Brideau, Peter K. Stys

Notice bibliographique

RevueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIE · 2012
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSpectroscopy Techniques in Biomedical and Chemical Research
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésOpticsDichroic glassPolarization (electrochemistry)LaserMaterials scienceMicroscopyOptical pathMicroscopeExcitationRaman scatteringLinear polarizationOptoelectronicsRaman spectroscopyPhysicsChemistry

Résumé

récupéré en direct d'OpenAlex

Laser-scanning non-linear optical techniques such as multi-photon fluorescence excitation microscopy (MPM), Second/ Third Harmonic Generation (SHG/THG), and Coherent Anti-Stokes Raman Scattering (CARS) are being utilized in research laboratories worldwide. The efficiencies of these non-linear effects are dependent on the polarization state of the excitation light relative to the orientation of the sample being imaged. In highly ordered anisotropic biological samples this effect can become pronounced and the excitation polarization can have a dramatic impact on imaging experiments. Therefore, controlling the polarization state of the exciting light is important; however this is challenging when the excitation light passes through a complex optical system. In a typical laser-scanning microscope, components such as the dichroic filters, lenses, and even mirrors can alter the polarization state of a laser beam before it reaches the sample. We present an opto-mechanical solution to compensate for the polarization effects of an optical path, and to precisely program the polarization state of the exciting laser light. The device and accompanying procedures allow the delivery of precise laser polarization states at constant average power levels to a sample during an imaging experiment.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,280
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of SPIE, the International Society for Optical Engineering/Proceedings of SPIEMême sujetSpectroscopy Techniques in Biomedical and Chemical ResearchTravaux en français237 207