Label-free, High-Resolution 3D Imaging and Machine Learning Analysis of Intestinal Organoids via Low-Coherence Holotomography
Notice bibliographique
Résumé
Accurate, label-free imaging of intestinal organoids is crucial for studying their morphology, growth dynamics, and responses to environmental stimuli. Holotomography (HT) provides high-resolution, three-dimensional (3D) visualization of live organoids without the need for fluorescent markers, thereby minimizing phototoxicity and preserving sample integrity. Real-time phase-based imaging allows continuous, label-free tracking of structural and functional changes. By using the refractive index as an intrinsic imaging contrast, this method enables quantification of biophysical properties such as volume, protein density, and protein content. The imaging data are further processed through machine learning-driven segmentation and feature extraction to support consistent, high-throughput analysis. This protocol details the complete experimental workflow for employing low-coherence HT in organoid research, covering organoid preparation, imaging acquisition, and machine learning-based data analysis. By integrating computational segmentation and quantitative assessments, this approach enables unbiased evaluation of key organoid properties, including viability, structural organization, and drug response. The ability to capture real-time morphological changes at subcellular resolution makes this protocol highly applicable to organoid-based studies in regenerative medicine, disease modeling, and pharmaceutical screening. The step-by-step methodology outlined here facilitates reproducibility and broad adaptation across different organoid 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 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 | 0,001 | 0,002 |
| 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 ».