Spatial-frequency 3D fluorescence for surgical guidance: margin thickness quantification
Notice bibliographique
Résumé
Accurate assessment of 3D surgical margins remains a challenge after tumor resection. Fluorescence-guided surgery systems show promise to provide precise identification of residual tumor on the surface of resected tissue, but existing 2D fluorescence imaging systems lack the ability to quantify the 3D margin (i.e., thickness of healthy tissue surrounding the resected tumor). In oral cancer, a 5mm pathologic margin has been identified as the prognostic cutoff by several studies, indicating the clinical significance of assessing subsurface information in tissue. To quantify the 3D surgical margins in ex vivo surgical specimens, our group has been developing a deep learning (DL)-enabled 3D fluorescence spatial frequency domain imaging (SFDI) system. Here, we examine the utility of in silico training for margin thickness quantification. A set of 10,000 synthetic tumors were generated using composite spherical harmonics (CSH) and passed into a diffusion theory light propagation model to output fluorescence and reflectance images. Optical property maps were subsequently extracted using a lookup table. The fluorescence images and optical property maps were input into a custom Siamese attention U-net to predict fluorophore concentration and subsurface depth. DL performance was evaluated using in silico testing data of: i) CSH; and ii) patient-derived oral cancer tumor shapes. Analysis included the overall depth and concentration error as well as the classification metrics for determining margin status. Future studies are required to assess DL performance in phantom and animal experiments.
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 | 0,000 |
| 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) | 0,000 | 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 ».