Automatic 3D Segmentation of Hydrogel Scaffolds Based on PBI-µCT
Notice bibliographique
Résumé
Hydrogel scaffolds are a promising biomaterial used in tissue engineering and regenerative medicine. Scaffolds can be constructed using 3D bioprinting techniques which allow for intricate architectures at the site of injury. However, 3D segmentation of hydrogel scaffolds remains a challenge due to the low-density of hydrogels exhibiting poor image contrast. One promising method is to use synchrotron radiation (SR) propagation-based imaging (PBI) microcomputed tomography (μCT). This method shows the phase shift of X-rays between sample and detector with strong edge enhancement. Quantitatively, this phase shift can be calculated using phase retrieval (PR) algorithm which converts the edge enhancement into area where the X-ray propagated through the sample but will reduce sharpness between across boundaries. Alternatively, image denoising, e.g., Noise2Inverse (N2I), can be used to maximize the edge enhancement but does not represent the area. Thus, SR-PBI-μCT data can be processed in complementary ways. A convolutional neural network (CNN) can be trained to learn the complementary area and edge information which allow for more accurately represented result than either method alone. This provides efficient 3D segmentation without manual input or pre-existing reference.
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 | 0,001 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,010 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».