Experimental method to assess depth sensing limits of inelastic scattering measurements using spatial-offset Raman spectroscopy imaging
Notice bibliographique
Résumé
SignificanceThe relationship between spatial offset and tissue sensing depth is not well understood in spatial offset Raman spectroscopy (SORS). Detection of the subsurface biochemical composition could improve clinical translation of SORS-based methods, including for lumpectomy margin characterization in breast cancer surgery.AimWe aimed at developing an experimental method to establish a relationship between spatial offset in SORS and sampling depth. The technique was developed using a custom hyperspectral line-scanning imaging system optimized for Raman spectroscopy detection.ApproachBilayer phantoms were produced with top and bottom layers made of material with different Raman spectroscopy signatures, i.e., poly(dimethylsiloxane) polymer (PDMS) and Nylon. The top layer of PDMS had different values of absorption and reduced elastic scattering coefficients, as well as a thickness up to ∼3 mm. A metric was used, called spectral angle mapper, that allowed for comparing SORS measurements with reference spectra of pure PDMS and Nylon. That metric was used to develop a technique predicting sensing depth for different values of spatial offset. A proof-of-concept study was performed to assess the performance of the method in biological tissue, demonstrating detectability of protein-rich tissue across layers of Intralipid and porcine fat to simulate the optical properties of human adipose tissue.ResultsA total of 60 optical phantoms with varying optical properties and top layer thicknesses were imaged and processed to estimate sampling depth as a function of spatial offset. The study demonstrated the detectability of the underlying Nylon layer across a PDMS layer up to 3 mm in thickness. Similarly, the detectability of protein-rich tissue was demonstrated across layers of Intralipid up to 3 mm thick and <2 mm for porcine fat.ConclusionsWe showed the feasibility of using bilayer solid optical phantoms to create correlation curves between the optimal spatial offset for a desired probed depth given the optical properties of the top layer. The technique could facilitate the clinical translation of SORS measurements for tumor detection and margins assessment.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».