A cellular automata based semi-automatic algorithm for segmentation of choroidal blood vessels from ultrahigh resolution optical coherence images of rat retina
Notice bibliographique
Résumé
Abnormal changes in choroidal blood flow have been linked to various retinal diseases, such as Diabetic Retinopathy (DR) and Age related Macular Degeneration (AMD), which at later stages can lead to blindness. Therefore non-invasive and precise evaluation of choroidal blood flow can aid the diagnosis, treatment and monitoring of retinal disease progression. Doppler Optical Coherence Tomography is an imaging technique capable of measuring blood flow velocity and visualization of retinal and choroidal blood vessles. However accurate assessment of retinal and choroidal blood flow requires precise measurement of the blood vessel thickness. The presence of speckle noise and low image contrast of OCT tomograms makes this task very challenging. This paper proposes a cellular automata based semi-automatic algorithm for the segmentation of choroidal blood vessels. The proposed approach propagates user-defined points in order to identify the vessel boundaries, allowing a thickness profile to be extracted. The performance of the algorithm was tested on a series of retinal images acquired from living rats with a high speed, ultrahigh resolution OCT system (UHROCT). Experimental results show that the proposed approach provides precise thickness profiles even in the suboptimal conditions of low image contrast in the UHROCT images.
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 | 0,000 |
| 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) | 0,000 | 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 ».