Notice bibliographique
Résumé
Glaucoma is one of the leading causes of irreversible blindness around the world. One of the significant indicators of Glaucoma is the enlargement of the Optic Cup (OC) to the Optic Disc (OD). In this project, we created a computer algorithm to identify the ratio between the sizes of OD and OC to further predict the likelihood of glaucoma. The algorithm consisted of a two-step approach. The first step of the approach involved the identification and cropping of the Optic Nerve Head area, the part that contains the OD and OC in the retina. This was done using thresholding based on the brightest spot in the image. The second step was to segment the OD and OC from the cropped image. We used an image augmentation library to transform the images in our dataset to add variability. We passed the transformed images into a deep learning algorithm known as U-Net to segment the OD and OC. Our analysis in training separate deep learning models for OD and OC yielded a higher accuracy as compared to training the models for OD and OC together. Our model has the potential of performing better with greater precision to segment images for diagnosing Glaucoma. The future work includes enhancing the model by making some additional changes to increase the model’s accuracy. Department: Computer Science Faculty Mentor: Dr. Dana Cobzas
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 | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».