Transfer Learning with U-Net type model for Automatic Segmentation of Three Retinal Layers In Optical Coherence Tomography Images
Notice bibliographique
Résumé
Retinal layer analysis on OCT images is a standard procedure used by ophthalmologists to diagnose various diseases. Due to a large number of generated OCT images for each patient, a manual image analysis can be time-consuming and error-prone, which can consequently affect the timeliness and quality of the diagnosis. Therefore, in recent years, a variety of methods, based prevalently on deep learning, have been proposed for the automatic segmentation of retinal layers. In our study, the U-Net type model with a ResNet based encoder, pretrained on ImageNet dataset is utilized. In addition, the model is combined with postprocessing step to obtain segmented layer boundaries. The modified versions of U-Net type model have already been applied to various non-medical imaging segmentation tasks, achieving outstanding results. To investigate whether the pretrained U-Net type model contributes to improvement of retinal layer segmentation, two models are trained and validated on 23 volumes of OCT images with age related macular degeneration (AMD): the U-Net model with pretrained ResNet34 encoder on ImageNet dataset and the original U-Net model, trained from the scratch. The one-sided Wilcoxon signed-rank test has shown that the pretrained U-Net type model outperforms the original U-Net model for segmenting three regions bounded by four layer boundaries.
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 ».