Hyperspectral imaging and spectral unmixing of stained tissue sections using a spectrally programmable light engine
Notice bibliographique
Résumé
A series of hyperspectral transmission images of hematoxylin and eosin stained tissue sections from cervical biopsies were acquired at 10 nm intervals and assembled into a hyperspectral image cube. Custom software providing extraction of spectra at each pixel allows selection of images with maximum contrast for determination of selected features and differentiation of tissue features. Illumination profiles were created using a spectrally and temporally programmable light engine based on a spatial light modulator that can dynamically create any narrow or broadband spectral profile was used to select illumination wavelengths. Images were acquired with a monochrome CCD camera. Several methods of combining images from individual or composite spectral bands to recreate color images for pathologist review are shown. Unlike current "mechanical" illumination systems employing optical filters, filter wheels, motors, shutters and multiple control interfaces, the light engine integrates the lamp, wavelength control, intensity control and exposure control in a simple MEMS based system, where the only moving part is the lamp cooling fan. Illumination can now be programmed dynamically with digital control of all illumination parameters allowing wavelengths and intensities to be changed much faster than with filter wheels, and providing exposure control orders of magnitude more precise than mechanical shutters. This system can be integrated with digital imaging systems. Digitally controlled illumination is bit additive with image data providing high dynamic range imaging with monochrome or with color imaging devices. Performance of image analysis software for nuclear morphometric and tissue architecture analysis are compared for different wavelength regions.
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 | 0,001 | 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 | 0,000 |
| 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 ».