Resolution-enhanced digital epiluminescence microscopy using deep computational optics
Notice bibliographique
Résumé
The standard practice employed by dermatologists for examining skin lesions is dermoscopy, where an epiluminesence microscope (ELM) is used to examine the skin chrominance and micro-structural characteristics for anomalies. Conventional ELM instruments are being replaced by digital ELM instruments that enable der- matologists and other health care practitioners to digitally capture, archive, and analyze skin lesions using computer-aided diagnosis (CAD) software. One of the limiting factors of digital ELM is the fundamental trade- off between spatial resolution and field-of-view (FOV), where a larger FOV (which is needed to allow for larger skin lesions to be examined in their entirety) can be achieved by reducing magnification at the cost of spatial resolution (leading to a loss of fine details that can be indicative of malignancy and disease). Here, we introduce deep computational optics (DCO) for the purpose of resolution-enhanced digital ELM to improve the balance between spatial resolution and FOV. More specifically, the multitude of parameters of a deep computational model for numerically magnifying digital ELM images are learned through a wealth of low-resolution and high- resolution digital ELM image pairs. The proposed DCO approach was experimentally validated, demonstrating improvements in the spatial resolution of the resolution-enhanced digital ELM by two-fold while maintaining FOV.
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) | 0,000 | 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 ».