MétaCan
Menu
Retour à la cohorte
Enregistrement W3010168183 · doi:10.1117/12.2546794

Dynamic range enhancement for diffuse optical spectroscopy in breast scanning applications

2020· article· en· W3010168183 sur OpenAlexaff
Mi Zhou, Zhi Yih Lim, Farid Golnaraghi, Majid Shokoufi

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueOptical Imaging and Spectroscopy Techniques
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésDynamic rangeSpectroscopyMaterials scienceRange (aeronautics)Computer scienceOpticsOptoelectronicsPhysics

Résumé

récupéré en direct d'OpenAlex

Diffuse Optical Breast Scanner (DOB-Scan) probe utilizes a linear charge-coupled device (CCD) array as the detector, measuring back-scattered light intensity above the breast tissue to create cross-sectional concentration images for different constituents. The response received at each pixel of the sensor is determined by optical properties of the scattering medium, source-detector distance, integration time of CCD array, and intensity of the light source. However, the performance of the probe is limited by the inherent electronic properties of CCD array, which cause saturation at high response region and high noise level at low response region. In this paper, an algorithm to enhance the dynamic range of the CCD array is presented. The objective is to maximize the dynamic range of the CCD array without any data loss while minimizing the noise-to-signal ratio where the response of the CCD array is relatively low. The desired output can be achieved by capturing multiple sets of data with different integration time and light intensity settings, ensuring the best CCD performance in each pixel range of interest. The profile of CCD array’s linearity and optical power measurement of the light source allow different sets of data to be translated into the same scale and joined accordingly into one. A series of phantom studies are conducted and confirm the feasibility of the probe’s dynamic range intensification.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,014
Tête enseignante GPT0,326
Écart entre enseignants0,312 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetOptical Imaging and Spectroscopy TechniquesTravaux en français237 207