MétaCan
Menu
Retour à la cohorte
Enregistrement W2887113898 · doi:10.1117/12.2280209

Quantitative compressional OCE: obviating pitfalls in using pre-calibrated compliant layers and some other practical obstacles

2018· article· en· W2887113898 sur OpenAlexaff
Lev A. Matveev, Ekaterina V. Gubarkova, Grigory V. Gelikonov, Marina A. Sirotkina, I. Alex Vitkin, Vladimir Y. Zaitsev, Alexander A. Sovetsky, Alexander L. Matveyev, Natalia D. Gladkova, Elena V. Zagaynova

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueOptical Coherence Tomography Applications
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésCurvatureStiffnessNonlinear systemModulusResolution (logic)Realization (probability)Materials scienceBiomedical engineeringComputer scienceAcousticsMathematicsPhysicsComposite materialArtificial intelligenceStatisticsEngineeringGeometry

Résumé

récupéré en direct d'OpenAlex

In this report we discuss some practical obstacles/pitfalls arising in realization of quantitative compressional OCE, as well as discuss possible ways of their resolution. More specifically we consider (i) complications in quantification of the Young modulus of tissues related to influence of partial adhesion between the OCT probe and pre-calibrated reference layers - "compliant sensors", (ii) distorting influence of surface curvature/corrugation on strain distribution in the tissue bulk, (iii) ways of enhancement of effective SNR in OCT-based strain mapping without periodic averaging, and (iv) potentially significant influence of nonlinearity of the elastic response of biological tissues on quantification of their stiffness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,931
Score d'incertitude au seuil0,519

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,345
Écart entre enseignants0,280 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetOptical Coherence Tomography ApplicationsTravaux en français237 207