Semivariogram and Semimadogram functions as descriptors for AMD diagnosis on SD-OCT topographic maps using Support Vector Machine
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
BACKGROUND: Age-related macular degeneration (AMD) is a degenerative ocular disease that develops by the formation of drusen in the macula region leading to blindness. This condition can be detected automatically by automated image processing techniques applied in spectral domain optical coherence tomography (SD-OCT) volumes. The most common approach is the individualized analysis of each slice (B-Scan) of the SD-OCT volumes. However, it ends up losing the correlation between pixels of neighboring slices. The retina representation by topographic maps reveals the similarity of these structures with geographic relief maps, which can be represented by geostatistical descriptors. In this paper, we present a methodology based on geostatistical functions for the automatic diagnosis of AMD in SD-OCT. METHODS: The proposed methodology is based on the construction of a topographic map of the macular region. Over the topographic map, we compute geostatistical features using semivariogram and semimadogram functions as texture descriptors. The extracted descriptors are then used as input for a Support Vector Machine classifier. RESULTS: For training of the classifier and tests, a database composed of 384 OCT exams (269 volumes of eyes exhibiting AMD and 115 control volumes) with layers segmented and validated by specialists were used. The best classification model, validated with cross-validation k-fold, achieved an accuracy of 95.2% and an AUROC of 0.989. CONCLUSION: The presented methodology exclusively uses geostatistical descriptors for the diagnosis of AMD in SD-OCT images of the macular region. The results are promising and the methodology is competitive considering previous results published in literature.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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