Does Projection Artifact Removal Improve Visualization of Images in Optical Coherence Tomography Angiography?
Notice bibliographique
Résumé
Purpose: This study assesses the frequency of projection artifacts in optical coherence tomography angiography (OCTA) en face images and compares images before and after applying a 3-dimensional projection artifact removal (3D-PAR) algorithm. Methods: This is a single-center, retrospective study that included consecutive patients with any underlying diagnosis who had OCTA obtained from January to March 2017. Patients with various retinal diseases and also healthy eyes were included. All participants underwent imaging with a scan area of 3 mm × 3 mm. The 4 default en face slabs were analyzed: superficial capillary plexus (SCP), deep capillary plexus (DCP), outer retina (OR), and choriocapillaris (CC). Images were qualitatively analyzed before and after 3D-PAR by 2 independent graders. Results: None of the SCP images had projection artifact before or after 3D-PAR. Scans of the DCP presented projection artifact in 96.5% of the cases. After 3D-PAR, 14.7% had a complete improvement of projection artifact, 56.5% had a partial improvement, 14.1% were worse, and 14.7% presented no change. In the OR, 2.9% had projection artifact, with a complete improvement after 3D-PAR in 40%, partial improvement in 20%, and no change in 40%. Projection artifact was initially present in 97.6% of the images in the CC. After 3D-PAR, there was a complete improvement in 72.9%, partial improvement in 26.5%, and no change in 0.6%. Choroidal neovascularization (CNV) was detected in 29 eyes (17.1%), and 3D-PAR improved detection of CNV in 12 cases (41.4%). Conclusions: OCTA with 3D-PAR technology minimizes the appearance of projection artifacts in the DCP and CC slabs.
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 | 0,001 |
| 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 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 ».