Optical coherence tomography image denoising using Gaussianization transform
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
We demonstrate the power of the Gaussianization transform (GT) for modeling image content by applying GT for optical coherence tomography (OCT) denoising. The proposed method is a developed version of the spatially constrained Gaussian mixture model (SC-GMM) method, which assumes that each cluster of similar patches in an image has a Gaussian distribution. SC-GMM tries to find some clusters of similar patches in the image using a spatially constrained patch clustering and then denoise each cluster by the Wiener filter. Although in this method GMM distribution is assumed for the noisy image, holding this assumption on a dataset is not investigated. We illustrate that making a Gaussian assumption on a noisy dataset has a significant effect on denoising results. For this purpose, a suitable distribution for OCT images is first obtained and then GT is employed to map this original distribution of OCT images to a GMM distribution. Then, this Gaussianized image is used as the input of the SC-GMM algorithm. This method, which is a combination of GT and SC-GMM, remarkably improves the results of OCT denoising compared with earlier version of SC-GMM and even produces better visual and numerical results than the state-of-the art works in this field. Indeed, the main advantage of the proposed OCT despeckling method is texture preservation, which is important for main image processing tasks like OCT inter- and intraretinal layer analysis. Thus, to prove the efficacy of the proposed method for this analysis, an improvement in the segmentation of intraretinal layers using the proposed method as a preprocessing step is investigated. Furthermore, the proposed method can achieve the best expert ranking between other contending methods, and the results show the helpfulness and usefulness of the proposed method in clinical applications.
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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