Robust Segmentation-Free Algorithm for Homogeneity Quantification in Images
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Homogeneity is a notion used to describe images in various fields and is often linked to critical aspects of those fields. However, this term is rarely defined in the literature and no gold standard exists for its quantification. A few quantification algorithms have been proposed, but they lack both simplicity and robustness. As a result, the scientific community uses the notion of homogeneity in subjective analysis, preventing objective comparison of a large number of data or of different studies. The main objectives of this manuscript are to propose a definition of homogeneity and an algorithm for its quantification. METHOD: This algorithm, called MASQH, rely on a multi-scale, statistical and segmentation-free approach and outputs a single homogeneity index, which makes it robust and easy to use. RESULTS: The performance and reliability of the method are demonstrated through three case studies: Firstly, on synthetic images to study the behavior and assess the relevance of the algorithm in diverse situations and hence, in various potential fields. Secondly, on histological images derived from experimental chitosan-platelet-rich-plasma hybrid biomaterial, where the quantitative results are compared to a qualitative classification provided by an expert in the field. Thirdly, on experimental nanocomposites images for which results are compared to two other homogeneity quantification algorithms from the field of nanocomposites. CONCLUSION AND SIGNIFICANCE: By quantifying homogeneity, the MASQH method may help to compare disparate studies in the literature and quantitatively demonstrate the impact of homogeneity in various fields. The MASQH method is freely available online.
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.
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 découle