Three-dimensional localization of discrete fluorescent inclusions from multiple tomographic projections in the time-domain
Notice bibliographique
Résumé
We introduce a novel approach for localizing a plurality of discrete fluorescent inclusions embedded in a thick scattering medium using time-domain (TD) experimental data. It relies on numerical constant fraction discrimination (NCFD), a signal processing technique for extracting in a stable manner the arrival time of early photons emitted by one or many fluorescent inclusions from measured photons time of flight (TOF) distributions. Our experimental set-up allows multi-view TD data acquisition from multiple tomographic projections over 360 degrees without contact with the medium. Fluorescence time point-spread functions (FTPSFs) are acquired all around the medium with ultra-fast time-correlated single photon counting (TCSPC) after short pulse laser excitation. From these FTPSFs, the early photons arrival time (EPAT) of a fluorescent wavefront at a detector position is extracted with our NCFD technique. The key to our localization algorithm is to combine EPATs from several detection positions and projections to form 3D surfaces. The digital analysis of the concavities of the surfaces allows to find the 3D positions of an a priori unknown number of fluorescent inclusions located in the medium. Indocyanine green (ICG; absorption peak = 780nm, emission peak = 830nm) is used for the inclusions. Various experiments were conducted, and we show localization results on experimental data for up to 5 discrete inclusions distributed at arbitrary positions in the medium. We expect to extend our method to continuous distributions of fluorescence (rather than discrete inclusions) in a near future.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».