Robust estimation of vessel misfocus and real-time misfocus correction in laser speckle contrast imaging
Notice bibliographique
Résumé
Laser Speckle Contrast Imaging (LSCI) is a flexible, non-invasive, label-free technique to measure relative blood flow speeds in-vivo. Near IR illumination allows deep tissue penetration due to low tissue absorption in that wavelength range. However, the low absorption leads to a reduced observed image contrast between tissue and blood vessels. This leads to a challenge in determining and automatically adjusting the best focus location invivo. Traditional autofocus algorithms that are based on either intensity contrast or frequency domain analysis do not work well during flow imaging with the LSCI technique, due to increased speckle and low contrast in the image. Using the LSCI-derived contrast ratio K directly, over a vessel of interest, provides a better metric for determining the location of imaging system focal plane, but the method is not robust as it is possesses low signal-to-noise ratio (SNR) within a single frame. In this work we use a different metric, kurtosis of the flow profile cross-section, to estimate the degree of misfocus (axial deviation of imaging system focal plane from the imaged blood vessel) and provide a feedback mechanism for robust autofocusing during blood flow imaging in a rats brain. We demonstrate via flow imaging simulations, imaging of flow in microfluidic capillaries, and in-vivo imaging of blood flow in brains of anaesthetized rats that this metric allows for the determination of the location of best focus and assessing the degree of misfocus.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».