Automated Segmentation of Optic Nerve Head Structures With Optical Coherence Tomography
Notice bibliographique
Résumé
PURPOSE: To quantify and characterize the difference between automated and manual segmentation of optic nerve head structures with spectral-domain optical coherence tomography (SD-OCT). METHODS: Optic nerve head radial scans in 107 glaucoma patients and 48 healthy controls were conducted with SD-OCT. Independent segmentations of the internal limiting membrane (ILM) and Bruch's membrane opening (BMO) were performed manually with custom software and with an automated algorithm in each radial scan. The minimum distance between BMO and ILM, termed BMO-minimum rim width (BMO-MRW) was calculated with each segmentation method. Absolute differences between automated and manual segmentations of ILM (ΔILM) and BMO (ΔBMO), and the resulting computation of BMO-MRW (ΔBMO-MRW) were computed. Finally, the relationship between image quality score and ΔILM and ΔBMO was explored. RESULTS: The median (interquartile range, IQR) ΔILM was 8.9 (6.5, 13.4) μm in patients and 7.3 (5.3, 9.9) μm in controls. The corresponding values for ΔBMO were 11.5 (6.6, 22.1) μm and 12.4 (6.8, 25.4) μm. Subject-averaged ΔILM was higher in patients than controls (P < 0.01); however, mean ΔBMO was not (P = 0.09). The median (IQR) subject-averaged absolute ΔBMO-MRW was 13.4 (10.6, 16.8) μm in patients and 12.1 (10.0, 16.8) μm in controls and not statistically different (P = 0.21). Mean image quality score was statistically higher in controls than patients (P = 0.03) but not related to subject-averaged ΔILM or ΔBMO. CONCLUSIONS: In individual scans, the median difference in ILM and BMO segmentations was <2 and <3 image pixels, respectively. There were no differences between patients and controls in ΔBMO-MRW.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,007 |
| 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 ».