Notice bibliographique
Résumé
Vessel analysis is important for a wide range of clinical diagnoses and disease research such as diabetes and malignant brain tumours. Vessel segmentation is a crucial first step in such analysis but is often complicated by structural diversity and pathology. Existing automated techniques have mixed results and difficulties with non-idealities such as imaging artifacts, tiny vessel structures, and regions with bifurcations. Live-Vessel is a novel and intuitive semi-automatic vessel segmentation technique that extends the classic Live-Wire technique from user-guided contours to user guided paths along vessel centre-lines with automated boundary detection. Live-Vessel achieves this by globally optimizing vessel filter responses over both spatial (x,y) and non-spatial (radius) variables simultaneously. In this thesis I provide three main contributions. First, I bring Live-Vessel into the domain of real-time interactivity. Second, I enhance the objective function for improved contrast and graph search performance by incorporating colour image information, adding penalty terms, utilizing a smaller data type, and increasing the contrast between desirable and undesirable paths. Third, I gather and retain vessel connectivity information and provide post-segmentation analysis tools. I validated this technique using real medical data from the DRIVE, STARE, and REVIEW retina vessel databases. Quantitative results show that, on average, Live-Vessel resulted in an 7.28 times reduction in overall manual segmentation task time at a 95% accuracy level with most radial and medial errors being under 1 pixel in distance.
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 ».