Real-time en-face Gabor optical coherence tomographic angiography on human skin using CUDA GPU
Notice bibliographique
Résumé
We recently proposed an optical coherence tomographic angiography (OCTA) algorithm, Gabor optical coherence tomographic angiography (GOCTA), which can extract microvascular signals from a spectral domain directly with lower computational complexity compared to other algorithms. In this manuscript, we combine a programmable swept source, an OCT complex signal detecting unit, and graphics process units (GPU) to achieve a real-time en-face GOCTA system for human skin microvascular imaging. The programmable swept source can balance the A-scan rate and the spectral tuning range; the polarization-modulation based complex signal detecting unit can double the imaging depth range, and the GPU can accelerate data processing. C++ and CUDA are used as the programming platform where five parallel threads are created for galvo-driving signal generation, data acquisition, data transfer, data processing, and image display, respectively. Two queues (for the raw data and en-face images, respectively) are used to improve the data exchange efficiency among different devices. In this study, the data acquisition time and data processing time for each 3D complex volume (256×304×608 pixels,) are 405.3 and 173.7 milliseconds respectively. To the best of our knowledge, this is the first time to show en-face microvascular images covering 3×3 mm2 at a refresh rate of 2.5 Hz.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 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) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».