Segmentation of epithelium in H&E stained odontogenic cysts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An algorithm for the automated segmentation of epithelial tissue in digital images of histologic tissue sections of odontogenic cysts (cysts originating from residual odontogenic epithelium) is presented. The algorithm features an image standardization process that greatly reduces variation in luminance and chrominance between images due to variations in sample preparation. Segmentation of the epithelial regions of images uses an algorithm based on binary graph cuts where graph weights depend on probabilities obtained from colour histogram models of epithelium and stroma image regions. Algorithm training used a data set of 38 images of four types of odontogenic cyst and was tested using a separate data set of 35 images of the same four cyst types. The best parameters for the segmentation algorithm were determined using a response-surface optimizer. The best parameter set resulted in an overall mean (± std. dev.) sensitivity of 91.5 ± 17% and overall mean specificity of 85.1 ± 18.6% on the training set. Particularly good results were obtained for dentigerous and odontogenic keratocysts for which the mean sensitivities/specificities were 91.9 ± 6.15%/97.4 ± 2.15% and 96.1 ± 1.98%/98.7 ± 3.16%, respectively. Our method is potentially applicable to many pathological conditions in similar tissues, such as skin and mucous membranes where there is a clear microscopic distinction between epithelium and connective tissues.
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.
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 découle