Segmentation of digitized histological sections for quantification of the muscularized vasculature in the mouse hind limb
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Immunohistochemical tissue staining enhances microvasculature characteristics, including the smooth muscle in the medial layer of the vessel walls that is responsible for regulation of blood flow. The vasculature can be imaged in a comprehensive fashion using whole-slide scanning. However, since each such image potentially contains hundreds of small vessels, manual vessel delineation and quantification is not practically feasible. In this work, we present a fully automatic segmentation and vasculature quantification algorithm for whole-slide images. We evaluated its performance on tissue samples drawn from the hind limbs of wild-type mice, stained for smooth muscle using 3,3'-Diaminobenzidine (DAB) immunostain. The algorithm was designed to be robust to vessel fragmentation due to staining irregularity, and artefactual staining of nonvessel objects. Colour deconvolution was used to isolate the DAB stain for detection of vessel wall fragments. Complete vessels were reconstructed from the fragments by joining endpoints of topological skeletons. Automatic measures of vessel density, perimeter, wall area and local wall thickness were taken. The segmentation algorithm was validated against manual measures, resulting in a Dice similarity coefficient of 89%. The relationships observed between these measures were as expected from a biological standpoint, providing further reinforcement of the accuracy of this system. This system provides a fully automated and accurate means of measuring the arteriolar and venular morphology of vascular smooth muscle.
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.
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 | 0,000 |
| 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 découle