Photonic neural probe enabled microendoscopes for light-sheet light-field computational fluorescence brain imaging
Notice bibliographique
Résumé
SignificanceLight-sheet fluorescence microscopy is widely used for high-speed, high-contrast, volumetric imaging. Application of this technique to in vivo brain imaging in non-transparent organisms has been limited by the geometric constraints of conventional light-sheet microscopes, which require orthogonal fluorescence excitation and collection objectives. We have recently demonstrated implantable photonic neural probes that emit addressable light sheets at depth in brain tissue, miniaturizing the excitation optics. Here, we propose a microendoscope consisting of a light-sheet neural probe packaged together with miniaturized fluorescence collection optics based on an image fiber bundle for lensless, light-field, computational fluorescence imaging.AimFoundry-fabricated, silicon-based, light-sheet neural probes can be packaged together with commercially available image fiber bundles to form microendoscopes for light-sheet light-field fluorescence imaging at depth in brain tissue.ApproachPrototype microendoscopes were developed using light-sheet neural probes with five addressable sheets and image fiber bundles. Fluorescence imaging with the microendoscopes was tested with fluorescent beads suspended in agarose and fixed mouse brain tissue.ResultsVolumetric light-sheet light-field fluorescence imaging was demonstrated using the microendoscopes. Increased imaging depth and enhanced reconstruction accuracy were observed relative to epi-illumination light-field imaging using only a fiber bundle.ConclusionsOur work offers a solution toward volumetric fluorescence imaging of brain tissue with a compact size and high contrast. The proof-of-concept demonstrations herein illustrate the operating principles and methods of the imaging approach, providing a foundation for future investigations of photonic neural probe enabled microendoscopes for deep-brain fluorescence imaging in vivo.
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 ».