Differentiation of semi-transparent tissue phantom inclusions using optical coherence tomography towards label-free neurography and lymphography
Notice bibliographique
Résumé
Abstract Significance Lymphatic and peripheral nervous system imaging is of prime importance for monitoring various important pathologic processes including cancer development, metastasis, and response to therapy. Aim Optical coherence tomography (OCT) is a promising approach for this imaging task but is challenged by the near-transparent nature of these structures. Our aim is to detect and differentiate semi-transparent materials using OCT texture analysis, towards label-free neurography and lymphography. Approach We have recently demonstrated a novel OCT texture analysis-based approach that used speckle statistics to image lymphatics and nerves in-vivo that does not rely on negative contrast. However, these two near-transparent structures could not be differentiated from each other easily in the texture analysis parameter space. Here we perform a rigorous follow-up study to improve upon this differentiation in controlled phantoms mimicking the optical properties of these tissues. Results The results of the three-parameter Rayleigh distribution fit to the OCT images of six types of tissue-mimicking materials varying in transparency and biophysical properties demonstrate clear differences between them, suggesting routes for improved lymphatics-nerves differentiation. Conclusions We demonstrate a novel OCT texture analysis based lymphatics-nerves differentiation methodology in tissue-simulating phantoms. Future work will focus on in-vivo lymphangiography and neurography studies of longitudinal treatment monitoring for therapy feedback and optimization.
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 | 0,001 | 0,003 |
| 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 ».