Automated segmentation of lung airway wall area measurements from bronchoscopic optical coherence tomography imaging
Notice bibliographique
Résumé
Chronic Obstructive Pulmonary Disease (COPD) affects almost 600 million people and is currently the fourth leading cause of death worldwide. COPD is an umbrella term for respiratory symptoms that accompany destruction of the lung parenchyma and/or remodeling of the airway wall, the sum of which result in decreased expiratory flow, dyspnea and gas trapping. Currently, x-ray computed tomography (CT) is the main clinical method used for COPD imaging, providing excellent spatial resolution for quantitative tissue measurements although dose limitations and the fundamental spatial resolution of CT limit the measurement of airway dimensions beyond the 5<sup>th</sup> generation. To address this limitation, we are piloting the use of bronchoscopic Optical Coherence Tomography (OCT), by exploiting its superior spatial resolution of 5-15 micrometers for in vivo airway imaging. Currently, only manual segmentation of OCT airway lumen and wall have been reported but manual methods are time consuming and prone to observer variability. To expand the utility of bronchoscopic OCT, automatic and robust measurement methods are required. Therefore, our objective was to develop a fully automated method for segmenting OCT airway wall dimensions and here we explore several different methods of image-regeneration, voxel clustering and post-processing. Our resultant automated method used K-means or Fuzzy c-means to cluster pixel intensity and then a series of algorithms (i.e. cluster selection, artifact removal, de-noising) was applied to process the clustering results and segment airway wall dimensions. This approach provides a way to automatically and rapidly segment and reproducibly measure airway lumen and wall area.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».