Hyperspectral microscopy-based label-free semi-automatic segmentation of eye tissues
Notice bibliographique
Résumé
Fluorescence microscopic imaging of tissues is widely used for pathological diagnosis of diseases and biomedical research purposes. In addition to the exogenous fluorescent signal that is targeted for analysis, some molecules within biological tissues exhibit intrinsic fluorescence referred to as autofluorescence. This tissue optical property interferes with the detection and quantification of the fluorescent signal used to detect and assess biological tissues. To overcome this, hyperspectral imagers with increased spectral and spatial resolution have the capacity to provide greater structural and molecular information. Algorithm-based analysis platforms capable of analyzing large biomedical hyperspectral datasets are unmet needs and can extract useful spectral-spatial information from complex tissues. We present an open-source data analysis approach to exploit the potential of hyperspectral autofluorescence imaging and to extract unbiased and useful spectral-spatial information from the eye. Using an Image Mapping Spectrometer (from 528 nm to 836 nm); mounted on a fluorescence microscope, a non-destructive and label-free approach to evaluate the retina, choroid, and scleral tissues in eye sections is presented. The segmentation of the tissues is based on their respective autofluorescence spectral profiles and are compared using Analysis of Variance (ANOVA) and functional ANOVA. We demonstrate distinctly different autofluorescence spectra for individual eye tissue types. Furthermore, the systematic segmentation method is used to classify tissue types based on their divergent autofluorescence spectra. This study provides the metrics for further construction of spectral profile signatures in eye conditions and diseases. Furthermore, this hyperspectral-based semi-automatic segmentation approach can be expanded for application to other tissues in health and disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».