Mueller matrix polarimetry imaging for breast cancer analysis (Conference Presentation)
Notice bibliographique
Résumé
Polarized light has many applications in biomedical imaging. The interaction of a biological sample with polarized light reveals information about its biological composition, both structural and functional. The most comprehensive type of polarimetry analysis is to measure the Mueller matrix, a polarization transfer function that completely describes how a sample interacts with polarized light. However, determination of the Mueller matrix requires tissue analysis under many different states of polarized light; a time consuming and measurement intensive process. Here we address this limitation with a new rapid polarimetry system, and use this polarimetry platform to investigate a variety of tissue changes associated with breast cancer. We have recently developed a rapid polarimetry imaging platform based on four photoelastic modulators (PEMs). The PEMs generate fast polarization modulations that allow the complete sample Mueller matrix to be imaged over a large field of view, with no moving parts. This polarimetry system is then demonstrated to be sensitive to a variety of tissue changes that are relevant to breast cancer. Specifically, we show that changes in depolarization can reveal tumor margins, and can differentiate between viable and necrotic breast cancer metastasized to the lymph nodes. Furthermore, the polarimetric property of linear retardance (related to birefringence) is dependent on collagen organization in the extracellular matrix. These findings indicate that our polarimetry platform may have future applications in fields such as breast cancer diagnosis, improving the speed and efficacy of intraoperative pathology, and providing prognostic information that may be beneficial for guiding treatment.
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 | 0,000 |
| 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) | 0,001 | 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 ».