MétaCan
Menu
Retour à la cohorte
Enregistrement W2296158126 · doi:10.1049/iet-bmt.2015.0048

Comparison of quasi‐spherical surfaces – application to corneal biometry

2016· article· en· W2296158126 sur OpenAlexaff
Arnaud Polette, Jean‐Luc Mari, Isabelle Brunette, Jean Meunier

Notice bibliographique

RevueIET Biometrics · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueCorneal surgery and disorders
Établissements canadiensHôpital Maisonneuve-RosemontUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésCorneaCorneal topographySpherical harmonicsComputer scienceResidualArtificial intelligenceMathematicsComputer visionBiomedical engineeringOpticsAlgorithmMedicinePhysicsMathematical analysis

Résumé

récupéré en direct d'OpenAlex

In this study, the authors present two new techniques with their own particular advantages dedicated to the authentication of a person based on the three‐dimensional geometry of the cornea. A device known as corneal topographer is used for capturing the shape of each cornea. Until now only a few studies on corneal biometry have been conducted and they were limited only to the anterior surface. In this study, since the whole cornea is a tissue layered by two (anterior and posterior) surfaces, the authors propose to use both surfaces to characterise the corneal shape. The first proposed method consists of comparing coefficients from a spherical harmonics decomposition, and this allows to do a fast comparison that can be used to perform many‐to‐one comparisons. The second approach is based on the minimal residual volume between two corneas after a registration step, this geometry‐based method is more accurate but slower, and is thus used to perform one‐to‐one comparisons. A cascade fusion scheme is also proposed to benefit from the advantages of both methods. The authors’ study demonstrates that corneal shape could be used for biometry. The two proposed methods have been tested and validated on a dataset of 257 corneas.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,353
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIET BiometricsMême sujetCorneal surgery and disordersTravaux en français237 207