Automation of Mass Spectrometry Imaging Using Fisheye Cameras
Notice bibliographique
Résumé
Collecting mass spectrometry (MS) data of histological samples using a liquid micro junction-surface sampling probe is generally unrepeatable and time-consuming due to difficulties in manually positioning the probe as precisely as possible, and aligning the exact times of probe contact and MS data acquisition. Previous work has shown that real-world probing coordinates can be calculated from undistorted sample images captured by a fisheye camera. This project sought to develop an application that fully automates calculating real-world sampling coordinates from unwarped sample photos, and creating MS images using timestamped MS data. The application’s interface and backend image processing are implemented using Python’s PyQt5, OpenCV, and Numpy libraries. A fisheye camera and probe are attached to the robotic arm of a 3D printer and pointed towards the printer bed to capture images and collect MS data of samples. Fisheye camera photos must be processed through checkerboard detection to establish visual linearity. AprilTags can assist in determining the camera-to-probe millimetre offset using eye-in-hand calibration and 3D coordinate conversions. The chronological delay between probe movements and data collection can be found using an initial sampling point with a distinct MS profile. With these configurations, users can capture an unwarped sample photo, select a region of interest to collect data from, specify the sampling resolution, and initiate automated MS sampling using the specified parameters and calculated image-to-real-world probing coordinates. The application’s automated sampling and timestamping functionality successfully facilitates the generation of MS images of flat histological samples. The application calculates the physical camera-to-probe offset with sub-millimetre accuracy. Image-to-real-world coordinate calculation accuracy is dependent on the checkerboard pattern used to undistort the fisheye camera, environmental lighting, and AprilTag positioning for the camera-to-probe offset estimate. Future work will integrate conductive sampling for uneven sample surfaces and verify alignment of timestamps to MS data acquisition.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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 ».