Fast scattering coefficient measurement of intralipid-infused tissue phantoms using imaging sensors
Notice bibliographique
Résumé
The time instability of regular biological tissue makes repeatable optical tomography imaging experiments through tissue difficult, hence the need for long life tissue phantoms with adjustable scattering parameters. Our test phantoms employ a wide density range of intralipid-infused agar layers 1-6 mm thick building phantoms with small to large scattering parameters of values μs =< 20cm-1, g = 0.95. The intralipid-infused agar is encapsulated within clear polymer stabilizing these for >10 years creating samples with ranges of thicknesses, scattering characteristics and shapes. To tune phantoms we have created an improved rapid measurement method for scattering coefficients μs and anisotropy factor g. Using a DSLR camera with full frame 36x24mm sensor we 3D printed an optical jig which mounts phantoms like a lens to the camera. Aligning laser beams to the phantom a single picture captures ~6 million pixel values over +/-12°, creating 20,000 measurements each at 2300 angular bins of 0.005°. Matlab programs calculate the scattering center and concentric circles of pixels at each angular position. Nonlinear curve fitting the two term Henyey-Greenstein model extracts the pairs of HG parameters: weighing factors, μs and g parameters. Fits are highly statistical significance with exceedingly small deviation from the HG model. Each of 3 test phantom were measured a wide wavelengths range: 405, 532, 632, 670 and NIR 808 nm. The heat mirrors in regular DSLR/Mirror cameras still allow NIR measurements (to ~1000 nm) due to the very low noise of these photography systems.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 ».