Boosted decision trees for non-resonant background removal in hyperspectral CARS microscopy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Coherent anti-Stokes Raman scattering (CARS) is a nonlinear optical process used for spectroscopy and label-free 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. The presence of a pervasive non-resonant background (NRB) that distorts resonant peaks and introduces spurious signal to non-resonant spectral regions is the primary drawback that hinders spectral analysis and degrades chemical-selective image contrast in CARS microscopy. NRB removal techniques that retrieve Raman-like signals from CARS spectra have thus long been a central focus of CARS research, with ‘deep learning’ computational approaches of increasing complexity being most recently explored. Here, we present an alternative ‘shallow’ machine learning approach to NRB removal, using tree-based gradient boosting with XGBoost. We find that the gradient-boosted decision trees accurately retrieve Raman-like lineshapes in simulated CARS spectra, and when applied to experimental hyperspectral CARS images, the gradient-boosted decision trees significantly improve chemical-selective contrast. This work establishes tree-based gradient boosting as a rapid and effective tool for NRB removal in hyperspectral CARS microscopy, and thus challenges the need to apply approaches of ever-increasing computational complexity.
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.
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 découle