Fluorescence depth estimation in pre-clinical oral cancer models using spatial frequency domain imaging
Notice bibliographique
Résumé
Clinical trials with novel fluorescence contrast agents for head and neck cancer are driving new applications for fluorescence-guided surgery. Two-dimensional fluorescence imaging systems, however, provide limited in vivo assessment capabilities to determine tumor invasion depth below the mucosal surface. Here, we investigate the use of spatial frequency domain imaging (SFDI) methods for sub-surface fluorescence in tissue-simulating oral cancer phantoms. A two-step profile-correction approach for SFDI is under development to account for the complex surface topography of the oral cavity. First, for structured-illumination estimation of the surface profile, we are evaluating gray code and phase shift profilometry methods in agar-based oral cavity phantoms to maximize resolution and minimize sensitivity to surface discontinuities. Second, for profile-correction of the diffuse reflectance, global lighting effects within the oral cavity – analogous to an integrating sphere – are modeled using a multi-bounce numerical model. Subsurface fluorescence imaging is enabled based on the variations in optical sampling depth that result from changes in spatial frequency. An analytical depth recovery approach is based on a numerical diffusion theory model for semi-infinite fluorescence slabs of variable thickness. Depth estimation is evaluated in an agar-based phantom with fluorescence inclusions of thicknesses 1-5.5 mm originating from the top surface (“iceberg model”). Future clinical studies are necessary to assess in vivo performance and intraoperative workflow.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».