A new automated method for grading retinal tessellation in myopic eyes using fundus images
Notice bibliographique
Résumé
The tessellation of the retina is of clinical importance, especially in the study of myopia. This paper presents an automated grading algorithm for tessellation based on the calculation of three Tessellated Fundus Indices (TFIs). Our new algorithm utilizes the red (R), green (G), and blue (B) color components of the region of interest (ROI) surrounding the fovea in fundus images to determine the degree of tessellation, categorized into grades 0, 1, and 2. Excessive brightness in fundus images can result in overexposure, which in turn can introduce inaccuracies when calculating TFI values in the region of interest (ROI) using the red, green, and blue (R, G, B) components. Prior to calculating the TFIs, the method applies luminosity and contrast variation correction to the fundus images automatically. This correction process is achieved through a series of steps: first, applying row-wise and column-wise 1-dimensional low-pass filtering (1DLF); then, computing the luminosity surface by subtracting the smoothed image from the original grayscale image. To maintain luminosity consistency, the original image channels are equalized using the luminosity surface, followed by histogram stretching for enhanced contrast. Finally, the algorithm computes B/R (Blue/Red) and G/R (Green/Red) ratios for each pixel in the original image and multiplies them by the red channel of the contrast-stretched image. The proposed algorithm was evaluated on a dataset of 60 fundus images from varying degrees of myopia, demonstrating its effectiveness in grading tessellation accurately. The automated approach streamlines the grading process, offering potential benefits in clinical settings and facilitating large-scale screenings for myopic eyes.
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 | 0,000 |
| 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 ».