Phase contrast reflectance confocal brain imaging at 1650 nm
Notice bibliographique
Résumé
Significance: The imaging depth of microscopy techniques is limited by the ability of light to penetrate biological tissue. Recent research has addressed this limitation by combining a reflectance confocal microscope with the NIR-II (or shortwave infrared) spectrum. This approach offers significant imaging depth, is straightforward in design, and remains cost-effective. However, the imaging system, which relies on intrinsic signals, could benefit from adjustments in its optical design and post-processing methods to differentiate cortical cells, such as neurons and small blood vessels. Aim: We implemented a phase contrast detection scheme to a reflectance confocal microscope using NIR-II spectral range as illumination. Approach: We analyzed the features retrieved in the images while testing the imaging depth. Moreover, we introduce an acquisition method for distinguishing dynamic signals from the background, allowing the creation of vascular maps similar to those produced by optical coherence tomography. Results: using a cranial window. Vascular maps were retrieved at similar cortical depth and the possibility of combining multiple images can provide a vessel network. Conclusions: Phase contrast reflectance confocal microscopy can improve the outlining of cortical cell bodies. With the presented framework, angiograms can be retrieved from the dynamic signal in the biological tissue. Our work presents an optical implementation and analysis techniques from a former microscope design.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».