Fibre orientations in collagen-containing tissues revealed with computational scattered light imaging and polarimetric second harmonic generation microscopy
Notice bibliographique
Résumé
Collagen forms dense fibre networks in the human body, with the organisation directly influencing tissue mechanics and function in health and disease. A good understanding of this relation requires proper imaging techniques for visualising the dense collagen network. Previously, computational scattered light imaging was employed as a fast and easy-to-implement technique to retrieve the orientations of multi-directional fibres in various tissue samples, but the fibre orientations were not yet validated quantitatively in regions containing collagen fibres. In this study, we validate the in-plane orientations of fibres in collagen-containing tissues (rat tendon and bone sections) determined with computational scattered light imaging by performing comparative measurements with polarimetric second harmonic generation microscopy. For rat tendon, sections with and without hematoxylin-and-eosin staining, folded tendon layers, and obliquely cut sections were investigated. Similar fibre orientations were obtained with both techniques in both tissues, with the highest degree of similarity found for in-plane, unidirectional fibres in the tendon sections. The techniques were able to retrieve the orientations of multi-directional crossing fibres in folded rat tendon layers, and results were found to be unaffected by staining. While polarimetric second harmonic generation microscopy provides high resolution and ultrastructural information on collagen, computational scattered light imaging provides large field of view measurements with micrometre resolution.
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 ».