Comparison of Gaussian filter versus wavelet-based denoising on graph-based segmentation of retinal OCT images
Notice bibliographique
Résumé
Accurate segmentation of spectral-domain Optical Coherence Tomography (SD-OCT) images helps diagnose retinal pathologies and facilitates the study of their progression/remission. Manual segmentation is clinical-expertise dependent and highly time-consuming. Furthermore, poor image contrast due to high-reflectivity of some retinal layers and the presence of heavy speckle noise, pose severe challenges to the automated segmentation algorithms. The first step towards retinal OCT segmentation therefore, is to create a noise-free image with edge details still preserved, as achieved by image reconstruction on a wavelet-domain preceded by bilateral-filtering. In this context, the current study compares the effects of image denoising using a simple Gaussian-filter to that of wavelet-based denoising, in order to help investigators decide whether an advanced denoising technique is necessary for accurate graph-based intraretinal layer segmentation. A comparative statistical analysis conducted between the mean thicknesses of the six layers segmented by the algorithm and those reported in a previous study, reports non-significant differences for five of the layers (p > 0.05) except for one layer (p = 0.04), when denoised using Gaussian-filter. Non-significant layer thickness differences are seen between both the algorithms for all the six retinal layers (p > 0.05) when bilateral-filtering and wavelet-based denoising is implemented before boundary delineation. However, this minor improvement in accuracy is achieved at an expense of substantial increase in computation time (∼10s when run on a specific CPU) and logical complexity. Therefore, it is debatable if one should opt for advanced denoising techniques over a simple Gaussian-filter when implementing graph-based OCT segmentation algorithms.
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 ».