Machine learning for optical coherence tomography angiography
Notice bibliographique
Résumé
1. INTRODUCTION Optical coherence tomography angiography (OCT-A) is a non-invasive imaging modality allowing researchers and clinicians to view the retina in micrometer-scale detail. Acquired OCT-A volumes are three-dimensional, allowing the visualization of the superficial capillary plexus (SCP) and the deep capillary plexus (DCP). This provides valuable information towards the identification of pathologies such as diabetic retinopathy (DR). However, because an OCT-A volume is acquired over several seconds, motion artifacts caused by rapid movements of the subject’s eye (also known as micro-saccadic motion) can greatly reduce the quality, and subsequently the clinical utility, of the resulting volumes. Hardware motion tracking aims to reduce the effect of motion, but non-rigid registration is still often required for averaging sequentially acquired images. Furthermore, not all prototype OCT-A systems have tracking capabilities, particularly adaptive optics (AO) systems. Because of this, image registration is essential for the elimination of motion artifacts in OCT-A volumes, increasing their clinical diagnostic value. To further improve the clinical utility of these OCT-A images, segmentation is essential as it allows for the quantitative analysis of the microvasculature, which include the identification of the foveal avascular zone (FAZ) and areas of capillary non-perfusion (CNP), two biomarkers for the progression of DR.
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) | 0,001 | 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 ».