Indocyanine green–assisted dental imaging in the first and second near‐infrared windows as compared with X‐ray imaging
Notice bibliographique
Résumé
Indocyanine green (ICG) has been widely used in medical imaging, such as in retinal angiography. Here, we describe a pilot ex vivo study of ICG-assisted near-infrared fluorescence (NIRF) dental imaging in the first (700-950 nm for ICG-NIRF-I) and second (1000-1700 nm for ICG-NIRF-II) NIR windows using human extracted teeth; our study is compared with the traditional prevalent X-ray imaging and NIR II illumination (NIRi-II, 1310 nm) without ICG enhancement. The results show that ICG fluorescence has much better imaging contrast in both windows compared with NIRi-II (by quantitatively comparing NIR intensity of the critical neighboring structures, such as enamel and dentin). Cracked teeth, notoriously hard to diagnose by dental X-ray and computed tomography, were clearly profiled in NIRF dental imaging. An insidious occlusal caries, missing in X-ray imaging, became a bright dot that was readily observed in ICG-NIRF-I images. For dental decay, NIRF imaging with ICG enhancement could clearly delineate the decay boundary. NIRF in both windows distinguished interproximal and occlusal superficial caries. Overall, ICG-assisted NIRF dental imaging has unique advantages in identifying cracked teeth and insidious caries. The two NIR imaging windows used in our study might one day serve as noninvasive and nonionizing-radiation methods for the diagnosis of critical dental diseases in situ.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 ».