MARC

 008260126s2025        us                              c    eng  d
■001000017358778
■00520260202104750
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798290652382
■035    ▼a(MiAaPQ)AAI32151332
■035    ▼a(MiAaPQ)Caltech17257
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a617
■1001  ▼aLin,  Li-En.
■24510▼aAdvancing  Stimulated  Raman  Scattering  Microscopy  Through  Deep  Learning  and  Gel-Based  Tissue  Engineering
■260    ▼a[Sl]▼bCalifornia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Wei,  Lu.
■5021  ▼aThesis  (Ph.D.)--California  Institute  of  Technology,  2025.
■520    ▼aStimulated  Raman  scattering  (SRS)  microscopy  is  a  highly  effective  label-free  imaging  method  for  investigating  the  molecular  composition  of  biological  systems.  Its  broader  use  has  been  held  back  by  spatial  resolution,  imaging  speed,  and  large-scale  tissue  imaging  compatibility.  Breaking  these  limitations  requires  an  integrated  approach  beyond  the  development  of  optical  hardware.  This  thesis  introduces  a  compilation  of  techniques  that  leverage  gel-based  tissue  engineering  and  deep  learning  to  enhance  the  capabilities  of  SRS  microscopy.The  first  chapter,  Gel-Enabled  Super-Resolution  Label-Free  Volumetric  Vibrational  Imaging,  introduces  VISTA,  a  sample-expansion  vibrational  imaging  technique  that  achieves  label-free  super-resolution  imaging  of  protein-dense  biological  structures  with  resolution  as  fine  as  78  nm.  By  enabling  isotropic  expansion  and  protein  retention,  VISTA  allows  for  high-throughput,  unbiased  volumetric  imaging  without  labeling,  with  further  enhancement  using  deep  learning-based  component  prediction.The  second  chapter,  High-Resolution  Imaging  of  In  Vivo  Protein  Aggregates,  applies  VISTA  to  image  amyloid-beta  and  polyQ  aggregates  in  biological  samples  with  high  specificity.  Combined  with  segmentation  using  convolutional  neural  networks,  this  technique  is  capable  of  mapping  aggregate  structure  and  microenvironments,  enabling  new  insights  into  neurodegenerative  disease  pathology.The  third  chapter,  High-Throughput  Volumetric  Mapping  Facilitated  by  Active  Tissue  SHRINK,  introduces  SHRINK,  a  hydrogel-based  sample  shrinkage  method  that  isotropically  shrinks  tissue  while  maintaining  structural  integrity.  Active  shrinkage  enhances  imaging  throughput  and  signal  sensitivity  and  enables  rapid,  large-scale,  threedimensional  whole-organ  mapping  with  SRS  microscopy.The  fourth  chapter,  Deep  Learning-Augmented  Metabolic  Profiling  in  Live  Neuronal  Cultures,  presents  a  tandem  deep  learning  platform  for  live-cell  metabolic  imaging.  By  integrating  a  recurrent  convolutional  neural  network  and  U-Net  segmentation  model  with  deuterium-labeled  metabolic  tracing,  this  platform  enables  non-invasive,  high-speed  profiling  of  lipid,  protein,  glucose,  and  water  metabolism  in  neuronal  subtypes  under  physiological  and  pathological  conditions.These  developments  represent  multidimensional  strategies  that  expand  the  application  of  SRS  microscopy  to  high-resolution,  high-throughput,  and  dynamic  imaging  in  a  variety  of  biological  systems.  The  integration  of  deep  learning  and  gel-based  tissue  engineering  techniques  opens  new  avenues  for  SRS  microscopy  to  explore  complex  biological  questions.
■590    ▼aSchool  code:  0037.
■650  4▼aTissue  engineering
■650  4▼aNeurodegeneration
■650  4▼aPhysiology
■650  4▼aPolymers
■650  4▼aExpansion
■650  4▼aNeurons
■650  4▼aDeep  learning
■650  4▼aWriting
■650  4▼aBlood  vessels
■650  4▼aNeural  networks
■650  4▼aMicroscopy
■650  4▼aLabeling
■650  4▼aHomogenization
■650  4▼aMetabolism
■650  4▼aLectins
■650  4▼aLipids
■650  4▼aVisualization
■650  4▼aMetabolites
■650  4▼aOptics
■650  4▼aHydrogels
■650  4▼aCell  division
■690    ▼a0752
■690    ▼a0719
■71020▼aCalifornia  Institute  of  Technology▼bChemistry  and  Chemical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0037
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358778▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서