Implantable photonic neural probes for light-sheet fluorescence brain imaging
Notice bibliographique
Résumé
ABSTRACT Significance Light-sheet fluorescence microscopy is a powerful technique for high-speed volumetric functional imaging. However, in typical light-sheet microscopes, the illumination and collection optics impose significant constraints upon the imaging of non-transparent brain tissues. Here, we demonstrate that these constraints can be surmounted using a new class of implantable photonic neural probes . Aim Mass manufacturable, silicon-based light-sheet photonic neural probes can generate planar patterned illumination at arbitrary depths in brain tissues without any additional micro-optic components. Approach We develop implantable photonic neural probes that generate light sheets in tissue. The probes were fabricated in a photonics foundry on 200 mm diameter silicon wafers. The light sheets were characterized in fluorescein and in free space. The probe-enabled imaging approach was tested in fixed and in vitro mouse brain tissues. Imaging tests were also performed using fluorescent beads suspended in agarose. Results The probes had 5 to 10 addressable sheets and average sheet thicknesses < 16 μm for propagation distances up to 300 μm in free space. Imaging areas were as large as ≈ 240 μm × 490 μm in brain tissue. Image contrast was enhanced relative to epifluorescence microscopy. Conclusions The neural probes can lead to new variants of light-sheet fluorescence microscopy for deep brain imaging and experiments in freely-moving animals.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».