3D Visualization of Maize Stem by MRI Technology
Notice bibliographique
Résumé
Abstract Recent development in confocal and multi-photon microscopy allows 3D imaging of plant tissue in high resolution. However, other than physical sectioning, macroscopical study of plant organs in 3D remains a difficult task. Among various available technologies for macroscopical imaging (e.g., Xray macro-tomography, optical coherent tomography and MRI), MRI is an ideal choice for its contrasting modality in volumetric imaging of soft tissues. A 3T Biospect MRI system (Brucker, Germany)(FIG 1) equipped with a 6cm inner diameter micro-quadrature coil (FIG 2) for RF transmission and reception of MRI signals was used in this study. Spin echo based RARE sequence was used to obtain T2 weighted images with TR/TE = 3160.5/58.5ms and field-of-view of 1.67cm × 1.67cm (256 × 256 pixels) at a slice thickness of 0.8mm. This corresponds to a voxel size of 65 × 65 × 800μm. Data was obtained within 1/2 hour with number-of-excitations (nex) set at 16. Figure 4 (a-x) shows a series of MRI sections through a stem node (the node below the main ear insertion) from field-grown maize (Zea mays, van Odyssey sweet corn). The stem was fixed in 1:3 EtOH/acetic acid, washed thoroughly in water prior to imaging. Air bubbles trapped in the tissue were removed by vacuuming, to avoid imaging artifact due to low magnetic susceptibility of air. Figure 5 (a-g) shows reconstructed longitudinal sections. Three-dimensional reconstruction (FIG. 3) was performed by using Vaytek VoxBlast™ and AutoQuant’s AutoVisulize 3D™ software. in combination with image segmentation and tracing tools, the MRI technology will greatly enhance our capability in the understanding of vascular architecture and its development in plants.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,002 | 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 ».