Histological validation of in vivo assessment of cancer tissue inhomogeneity and automated morphological segmentation enabled by Optical Coherence Elastography
Notice bibliographique
Résumé
We present a non-invasive (albeit contact) method based on Optical Coherence Elastography (OCE) enabling the in vivo segmentation of morphological tissue constituents, in particular, monitoring of morphological alterations during both tumor development and its response to therapies. The method uses compressional OCE to reconstruct tissue stiffness map as the first step. Then the OCE-image is divided into regions, for which the Young's modulus (stiffness) falls in specific ranges corresponding to the morphological constituents to be discriminated. These stiffness ranges (characteristic "stiffness spectra") are initially determined by careful comparison of the "gold-standard" histological data and the OCE-based stiffness map for the corresponding tissue regions. After such pre-calibration, the results of morphological segmentation of OCE-images demonstrate a striking similarity with the histological results in terms of percentage of the segmented zones. To validate the sensitivity of the OCE-method and demonstrate its high correlation with conventional histological segmentation we present results obtained in vivo on a murine model of breast cancer in comparative experimental study of the efficacy of two antitumor chemotherapeutic drugs with different mechanisms of action. The new technique allowed in vivo monitoring and quantitative segmentation of (1) viable, (2) dystrophic, (3) necrotic tumor cells and (4) edema zones very similar to morphological segmentation of histological images. Numerous applications in other experimental/clinical areas requiring rapid, nearly real-time, quantitative assessment of tissue structure can be foreseen.
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 | 0,000 |
| 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 ».