Gabor optical coherence tomographic angiography (GOCTA) (Part II): theoretical basis of sensitivity improvement and optimization for processing speed
Notice bibliographique
Résumé
We previously proposed a Gabor optical coherence tomography angiography (GOCTA) algorithm for spectral domain optical coherence tomography (SDOCT) to extract microvascular signals from spectral fringes directly, with speed improvement of 4 to 20 times over existing methods. In this manuscript, we explored the theoretical basis of GOCTA with comparison of experimental data using solid and liquid displacement sample targets, demonstrating that the majority of the GOCTA sensitivity advantage over speckle variance based techniques was in the small displacement range (< 10 ∼ 20 µm) of the moving target (such as red blood cells). We further normalized GOCTA signal by root-mean-square (RMS) of original fringes, achieving a more uniform image quality, especially at edges of blood vessels where slow flow could occur. Furthermore, by transecting the spectral fringes and using skipped convolution, the data processing speed could be further improved. We quantified the trade-off in signal-to-noise-ratio (SNR) and contrast-to-noise-ratio (CNR) under various sub-spectral bands and found an optimized condition using 1/4 spectral band for minimal angiography image quality degradation, yet achieving a further 26.7 and 34 times speed improvement on GPU and CPU, respectively. Our optimized GOCTA algorithm has a speed advantage of over 140 times compared to existing speckle variance OCT (SVOCT) method.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».