Framework for quantitative three-dimensional choroidal vasculature analysis using optical coherence tomography
Notice bibliographique
Résumé
Choroidal vasculature plays an important role in the pathogenesis of retinal diseases, such as myopic maculopathy, age-related macular degeneration, diabetic retinopathy, central serous chorioretinopathy, and ocular inflammatory diseases. Current optical coherence tomography (OCT) technology provides three-dimensional visualization of the choroidal angioarchitecture; however, quantitative measures remain challenging. Here, we propose and validate a framework to segment and quantify the choroidal vasculature from a prototype swept-source OCT (PLEX Elite 9000, Carl Zeiss Meditec, USA) using a 3×3 mm scan protocol centered on the macula. Enface images referenced from the retinal pigment epithelium were reconstructed from the volumetric data. The boundaries of the choroidal volume were automatically identified by tracking the choroidal vessel feature structure over the depth, and a selective sliding window was applied for segmenting the vessels adaptively from attenuation-corrected enface images. We achieved a segmentation accuracy of 96% ± 1% as compared with manual annotation, and a dice coefficient of 0.83 ± 0.04 for repeatability. Using this framework on both control (0.00 D to -2.00 D) and highly myopic (-8.00 D to -11.00 D) eyes, we report a decrease in choroidal vessel volume (p<0.001) in eyes with high myopia.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».