Wavefront sensorless adaptive optics optical coherence tomography for multiphoton retinal imaging (Conference Presentation)
Notice bibliographique
Résumé
Two-photon excited fluorescence (TPEF) for in-vivo retinal imaging is an emerging tool for vision science. TPEF has multiple benefits in comparison to conventional confocal fluorescence scanning laser ophthalmoscopy for retinal imaging, including better axial resolution and the ability to use infrared excitation light for imaging the highly photosensitive tissue in the retina. TPEF is very sensitive to the focused spot size, which is enlarged by aberrations induced by the refractive elements of the mouse eye when imaging with a large numerical aperture. Our system begins with a femtosecond pulsed laser for two-photon excitation, which is also sufficiently spectrally broadband to allow for an optical coherence tomography (OCT) sub-system to guide aberration correction. The OCT system operated at 1 volumes/second with our custom GPU accelerated real-time processing. Our lens-based optical design features two deformable elements, one with large stroke for focus control on the retina and the other with multiple actuators for aberration correction. Our wavefront-sensorless adaptive optics (SAO) is driven by a modal search with a sharpness quality metric on the en-face OCT image of the selected retinal layer. After optimization, the speed was increased to 10 fps for TPEF imaging to allow for streaming and averaging ~200 frames per image. To demonstrate the system capabilities, we performed in-vivo retinal fluorescein angiography using TPEF. Our results demonstrate depth-resolved aberration correction with the SAO-OCT to increase the TPEF signal intensity. We also present TPEF at multiple vascular layers in the mouse retina alongside the volumetric OCT to localize the vessels.
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 | 0,001 | 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 ».