Advances in lensless imaging based on machine learning using ray tracing
Notice bibliographique
Résumé
Sickle cell disease (SCD), an inherited red blood cell disorder characterized by the cell’s sickle shape, affects nearly 100 million people worldwide. Microscopy of red blood cells is crucial for disease detection. However, conventional methods often rely on bulky, expensive devices and require skilled human analysts to interpret Red Blood Cell (RBC) images. To address these challenges, we replaced the lens of the microscope with a phase modulator to capture the opto-biological signature(OBS) of blood samples. Our approach bypasses the need for image reconstruction, enabling direct classification using Machine Learning (ML) algorithms based on statistical features extracted from OBS data. In this project, we focus on optimizing the experimental setup using ray tracing software simulations to enhance the efficiency and accuracy of our classification system, rather than optimizing the ML algorithm itself. In this paper, we have shown how optical design can effectively help enhance the performance of lensless imaging systems. We utilized Zemax OpticStudio for ray tracing simulations to model the lensless microscope and subsequently replicated these simulations using Fourier optics in MATLAB. The advantages of using ray tracing software like Zemax include its specialized environment for optical simulations and the efficiency in handling optical components. Additionally, Zemax provides a well-established framework for ensuring accuracy, whereas MATLAB simulations may vary based on the quality of the code and algorithms used. In conclusion, depending on the specific application of the lensless microscope, parameters such as the distances between elements and the type of modulator can be effectively optimized using a ray tracing software like Zemax.
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 ».