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 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 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 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 ».