Contenidos
Anuncios de caza
En la vigilancia aerobiológica y la agricultura existe una necesidad acuciante de realizar análisis precisos, sin etiquetas y automatizados de los granos de polen, con el fin de reducir el coste, la carga de trabajo y los posibles errores asociados a los enfoques tradicionales.
Proponemos un nuevo enfoque multimodal que combina la detección eléctrica y las imágenes ópticas para clasificar los granos de polen que fluyen en un chip microfluídico con un rendimiento de 150 granos por segundo. Las señales eléctricas y las imágenes ópticas sincronizadas son procesadas por dos clasificadores independientes basados en el aprendizaje automático, cuyas predicciones se combinan para proporcionar el resultado final de la clasificación.
La aplicabilidad del método se demuestra en un experimento de clasificación de prueba de concepto que incluye ocho clases de polen de diferentes taxones. La precisión media equilibrada es del 78,7% para el clasificador eléctrico, del 76,7% para el clasificador óptico y del 84,2% para el clasificador multimodal. La precisión es del 82,8% para el clasificador eléctrico, del 84,1% para el clasificador óptico y del 88,3% para el clasificador multimodal.
Foro de óptica
Históricamente, los pólipos se dividían principalmente en adenomas y pólipos hiperplásicos (HP). Se pensaba que los adenomas eran la única lesión precursora del cáncer colorrectal (CCR), mientras que los HP se consideraban inofensivos. Por tanto, las estrategias de diagnóstico óptico se han centrado en la diferenciación entre adenomas y HP. Por ejemplo, las clasificaciones de Kudo, NBI International Endoscopic (NICE) y Japanese NBI Expert Team (JNET) son muy útiles y eficaces para diferenciar los pólipos adenomatosos de los no adenomatosos.1-3
Sin embargo, recientemente se ha reconocido que las lesiones dentadas sésiles (SSL) son otra importante lesión precursora del CCR. Se cree que las SSL son responsables del 15-30% de los cánceres colorrectales.4, 5 Las SSL también se denominan a menudo pólipo serrado sésil (SSP), adenoma serrado sésil (SSA) o SSA/P.
Lamentablemente, los SSL suelen diagnosticarse como no neoplásicos utilizando las clasificaciones JNET o NICE.3, 6 Por ello, se han desarrollado nuevas estrategias de diagnóstico óptico para incluir también la identificación de los SSL.
Clasificaciones de cazadores de largo alcance
Una red óptica difractiva codifica la información espacial de los objetos en el espectro de la luz difractada, para clasificar los objetos de entrada y reconstruir sus imágenes utilizando el espectro de salida detectado a través de un solo píxel.
Los sistemas de visión artificial impulsados por la inteligencia artificial presentan interesantes oportunidades en los vehículos autónomos, la robótica, la biomedicina, la defensa/seguridad y otros ámbitos. Los sistemas convencionales suelen utilizar cámaras basadas en objetivos con sensores de imagen de alto número de píxeles para digitalizar una escena, que luego se pasa a un procesador digital. Este flujo de trabajo dificulta el rendimiento. Además, los sensores de imagen de alto número de píxeles no están fácilmente disponibles en diferentes partes del espectro electromagnético, como las bandas de infrarrojos y THz.
Recientemente hemos presentado un marco de visión artificial de un solo píxel,1 basado en una serie de superficies difractivas diseñadas mediante aprendizaje profundo, para realizar una tarea de aprendizaje automático deseada a medida que la luz de entrada se difracta a través de la red de estas superficies de ingeniería espacial.2 La luz de banda ancha ilumina el objeto desconocido que debe clasificarse, y las superficies difractivas codifican la información espacial de las características del objeto en el espectro de potencia de la luz difractada. A continuación, un detector de un solo píxel recoge la luz a la salida de la red difractiva.
Clasificación de arcos
(en la figura) Histograma de EOS CLOUDS para una muestra de esferas PS de 0,5µm dispersas en agua de grado miliQ. Posición de los datos experimentales (tonos grises proporcionales a la concentración numérica relativa). La línea roja representa la posición de SPES esperada para esferas de PS de diferentes tamaños.
Los datos experimentales de SPES se comparan con las posiciones teóricas esperadas en el histograma para esferas dieléctricas de diferentes tamaños e índices de refracción. Se pueden tentar diferentes enfoques, como el Mie adaptado o el DDA. El índice de refracción efectivo más compatible es así determinado automáticamente por EOS Classizer™ ONE, en este caso como n=1,60, de acuerdo dentro del error experimental con el valor teórico a λ=640nm. Una vez recuperado el índice de refracción efectivo, las partículas se dimensionan individualmente comparando sus valores de S(0) con los esperados para esferas de diferentes diámetros. EOS Classizer™ ONE proporciona al usuario la distribución numérica del tamaño de las partículas y otros valores estadísticos como AVG, CV y cuantiles.
En el caso de muestras heterogéneas en cuanto a los tamaños y/o a los índices de refracción, las poblaciones secundarias podrían limitar, o incluso impedir, cualquier aproximación fiable con los métodos analíticos tradicionales. Gracias al enfoque multiparamétrico patentado por SPES, EOS Classizer™ ONE discrimina las partículas basándose en las propiedades ópticas. Las muestras heterogéneas producen simultáneamente más nubes para cada población de partículas que pueden ser fácilmente seleccionadas, analizadas y comparadas individualmente. Los métodos específicos de análisis y reducción de datos proporcionados por EOS dan como resultado una completa selección y caracterización de las partículas heterogéneas.
Posts Relacionados:
Bienvenid@s a Trenmadridalicante.es, soy Carlos de la Cerda Gutiérrez, copywriter.
En mi blog encontraréis diversas noticias de actualidad.