Decision-tree-based non-resonant background removal for enhancing chemical-selective contrast in hyperspectral CARS microscopy
Notice bibliographique
Résumé
Coherent anti-Stokes Raman scattering (CARS) is a nonlinear optical process used for spectroscopy and chemical imaging. CARS signals can be orders of magnitude stronger than those of its incoherent counterpart, spontaneous Raman scattering, thus enabling substantially faster acquisition speeds. This attribute has positioned CARS as a desirable alternative to spontaneous Raman scattering as a contrast mechanism for label-free hyperspectral chemical imaging due to its traditionally long acquisition times. The presence of a non-resonant background (NRB) that distorts the shapes and intensities of resonant peaks and introduces spurious signal to non-resonant spectral regions, however, complicates spectral analysis and degrades chemical-selective image contrast. The NRB has and continues to hinder the widespread adoption of CARS despite its clear advantages. NRB removal techniques that retrieve Raman-like signals from CARS spectra have long been a central focus of CARS research, with "deep" machine learning approaches being most recently explored. Here, we present an original "shallow" machine learning approach to NRB removal based on gradient-boosted decision trees obtained using the open-source gradient-boosting framework XGBoost. We find that the tree-based model accurately retrieves Raman-like spectra, both in simulated and experimental CARS spectra. When applied to experimental hyperspectral CARS microscopy, the tree-based model significantly improves chemical-selective contrast, thereby facilitating the spatiospectral analysis of samples within the region of interest. This work establishes tree-based gradient boosting as an effective and viable tool for NRB removal for enhancing chemical-selective contrast in hyperspectral CARS microscopy.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
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 ».