Mapping 3-D functional capillary geometry in rat skeletal muscle in vivo
Notice bibliographique
Résumé
We have developed a novel mapping software package to reconstruct microvascular networks in three dimensions (3-D) from in vivo video images for use in blood flow and O2 transport modeling. An intravital optical imaging system was used to collect video sequences of blood flow in microvessels at different depths in the tissue. Functional images of vessels were produced from the video sequences and were processed using automated edge tracking software to yield location and geometry data for construction of the 3-D network. The same video sequences were analyzed for hemodynamic and O2 saturation data from individual capillaries in the network. Simple user-driven commands allowed the connection of vessel segments at bifurcations, and semiautomated registration enabled the tracking of vessels across multiple focal planes and fields of view. The reconstructed networks can be rotated and manipulated in 3-D to verify vessel connections and continuity. Hemodynamic and O2 saturation measurements made in vivo can be indexed to corresponding vessels and visualized using colorized maps of the vascular geometry. Vessels in each reconstruction are saved as text-based files that can be easily imported into flow or O2 transport models with complete geometry, hemodynamic, and O2 transport conditions. The results of digital morphometric analysis of seven microvascular networks showed mean capillary diameters and overall capillary density consistent with previous findings using histology and corrosion cast techniques. The described mapping software is a valuable tool for the quantification of in vivo microvascular geometry, hemodynamics, and oxygenation, thus providing rich data sets for experiment-based computational models.
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) | 0,001 | 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 ».