MétaCan
Menu
Retour à la cohorte
Enregistrement W4282842229 · doi:10.1109/imbioc52515.2022.9790129

Microwave Characterization and Probe Sensing: Parametric Study with Skin Phantom Thickness

2022· article· en· W4282842229 sur OpenAlexafffund
Jasmine Boparai, Yanis Jallouli, Oliver Miller, Rachel Tchinov, Milica Popović

Notice bibliographique

Revue2022 IEEE MTT-S International Microwave Biomedical Conference (IMBioC) · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrowave Imaging and Scattering Analysis
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDielectricImaging phantomMicrowaveMaterials scienceCharacterization (materials science)Biomedical engineeringMicrowave imagingParametric statisticsHuman skinSkin effectMillimeterOptoelectronicsOpticsComputer scienceNanotechnologyElectrical engineeringPhysicsMedicineEngineering

Résumé

récupéré en direct d'OpenAlex

Novel microwave and millimeter-wave devices have been recently investigated as promising diagnostic aids for skin anomaly detection. These devices rely on knowledge of skin dielectric parameters. Skin thickness varies with body location, and, hence, the goal of our work is to characterize the dielectric skin properties in the microwave range as a function of skin thickness. To do so systematically, and in a controlled laboratory environment, we developed skin phantoms models ranging from 0.5 mm to 5 mm in thickness, with 0.5 mm increments. These phantoms are placed on a fat-mimicking material and then characterized with the Keysight slim form probe over the 0.5–2.6 GHz range. Our results indicate that skin thickness, usually known from extensive anatomical resources, should be taken into account for proper interpretation of eventual dielectric characterization in vivo, as the probe's sensing volume is likely to include a complex, multi-tissue dielectric distribution.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,228
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revue2022 IEEE MTT-S International Microwave Biomedical Conference (IMBioC)Même sujetMicrowave Imaging and Scattering AnalysisTravaux en français237 207