Automated analysis of normal and glaucomatous optic nerve head topography images.
Notice bibliographique
Résumé
PURPOSE: To classify images of optic nerve head (ONH) topography obtained by scanning laser ophthalmoscopy as normal or glaucomatous without prior manual outlining of the optic disc. METHODS: The shape of the ONH was modeled by a smooth two-dimensional surface with a shape described by 10 free parameters. Parameters were adjusted by least-squares fitting to give the best fit of the model to the image. These parameters, plus others derived from the image using the model as a basis, were used to discriminate between normal and abnormal images. The method was tested by applying it to ONH topography images, obtained with the Heidelberg Retina Tomograph, from 100 normal volunteers and 100 patients with glaucomatous visual field damage. RESULTS: Many of the parameters derived from the fits differed significantly between normal and glaucomatous ONH images. They included the degree of surface curvature of the disc region surrounding the cup, the steepness of the cup walls, the goodness-of-fit of the model to the image in the cup region, and measures of cup width and cup depth. The statistics of the parameters were analyzed and were used to construct a classifier that gave the probability, P(G), that each image came from the glaucoma population. Images were classified as abnormal if P(G) > 0.5. The probabilities assigned to each image were in most cases close to 0 (normal) or 1 (abnormal). Eighty-seven percent of the sample was confidently classified with P(G) < 0.3 or P(G) > 0.7. Within this group, the overall classification accuracy was 92%. The overall accuracy of the method (the mean of sensitivity and specificity, which were similar) in the whole sample was 89%. CONCLUSIONS: ONH images can be classified objectively and dependably by an automated procedure that does not require prior manual outlining of disc boundaries.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| 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) | 0,001 | 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 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 ».