A new method for quantification of retinal blood vessel characteristics
Notice bibliographique
Résumé
Uniform and quantitative grading of retinal vessel characteristics are replacing subjective and qualitative schemes. However clinically accurate blood vessel extraction is very important. The tortuosity of these vessels is an important metric to study the curvature variations in normal and diseased eyes. In this study we provide a new unsupervised and fully automated approach for studying curvature variation of the blood vessels. We then pro- vide tortuosity quantification of these extracted vessels. In this study we used optical coherence tomography angiographic fundus images of dimensions 420x420 pixels corresponding to 6mm x 6mm were used in this study. We focused on the central circular 210x210 pixel region around the foveal avascular zone (FAZ) for tortuosity quantification. Our segmentation approach starts with a 3mm x 3mm central circular region extraction surrounding the FAZ. We then use a multi-scale, multi-span line detection filter to smoothen out the high noise in the background and at the same time increase the intensity of target vessels. This is followed by a K-means procedure to filter out the noise and target vessels into two categories. Next steps are morphological closing and noise removal and iterative erosion of pixels to skeletonize the vessels. The final extracted vessels are of the form of single pixel piecewise continuous fragments. These are finer than human annotations and at the same time free of noise. We then provide accurate standard tortuosity measures - Distance Measure, Inflection Points, Turning Points, etc. for these OCTA images using the extracted vessels through mathematical modelling.
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 ».