Lateral resolution enhancement via imbricated spectral domain optical coherence tomography in a maximum-a-posterior reconstruction framework
Notice bibliographique
Résumé
The lateral resolution of a Spectral Domain Optical Coherence Tomography (SD-OCT) image is limited by the focusing properties of the OCT imaging probe optics, the wavelength range which SD-OCT system operates at, spherical and chromatic aberrations induced by the imaging optics, the optical properties of the imaged object, and in the special case of in-vivo retinal imaging by the optics of the eye. This limitation often results in challenges with resolving fine details and structures of the imaged sample outside of the Depth-Of-Focus (DOF) range. We propose a novel technique for generating Laterally Resolved OCT (LR-OCT) images using OCT measurements acquired with intentional imbrications. The proposed, novel method is based on a Maximum A Posteriori (MAP) reconstruction framework which takes advantage of a Stochastic Fully Connected Conditional Random Field (SFCRF) model to compensate for the artifacts and noise when reconstructing a LR-OCT image from imbricated OCT measurement. The proposed lateral resolution enhancement method was tested on synthetic OCT measurement as well as on a human cornea SDOCT image to evaluate the usefulness of the proposed approach in lateral resolution enhancement. Experimental results show that applying this method to OCT images, noticeably improves the sharpness of morphological features in the OCT image and in lateral direction, thus demonstrating better delineation of fine dot shape details in the synthetic OCT test, as well as better delineation of the keratocyte cells in the human corneal OCT test image.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».