Use of Gabor filters and deep networks in the segmentation of retinal vessel morphology
Notice bibliographique
Résumé
The segmentation of retinal morphology has numerous applications in assessing ophthalmologic and cardiovascular disease pathologies. The early detection of many such conditions is often the most effective method for reducing patient risk. Computer aided segmentation of the vasculature has proven to be a challenge, mainly due to inconsistencies such as noise, variations in hue and brightness that can greatly reduce the quality of fundus images. Accurate fundus and/or retinal vessel maps give rise to longitudinal studies able to utilize multimodal image registration and disease/condition status measurements, as well as applications in surgery preparation and biometrics. This paper further investigates the use of a Convolutional Neural Network as a multi-channel classifier of retinal vessels using the Digital Retinal Images for Vessel Extraction database, a standardized set of fundus images used to gauge the effectiveness of classification algorithms. The CNN has a feed-forward architecture and varies from other published architectures in its combination of: max-pooling, zero-padding, ReLU layers, batch normalization, two dense layers and finally a Softmax activation function. Notably, the use of Adam to optimize training the CNN on retinal fundus images has not been found in prior review. This work builds on prior work of the authors, exploring the use of Gabor filters to boost the accuracy of the system to 0.9478 during post processing. The mean of a series of Gabor filters with varying frequencies and sigma values are applied to the output of the network and used to determine whether a pixel represents a vessel or non-vessel.
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 | 0,001 | 0,001 |
| 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 ».