Critical Impact of Working Distance on OCT Imaging: Correction of Optical Distortion and Its Effects on Measuring Retinal Curvature
Notice bibliographique
Résumé
Purpose: To assess the impact of working distance (WD) on optical distortion in optical coherence tomography (OCT) imaging and to evaluate the effectiveness of optical distortion correction in achieving consistent retinal Bruch's membrane (BM) layer curvature, regardless of variations in WD. Methods: Ten subjects underwent OCT imaging with four serial macular volume scans, each employing distinct WD settings adjusted by balancing the sample and reference arm of the OCT interferometer (eye length settings changed). Either of two types of 30° standard objectives (SOs) was used. A ray tracing model was used to correct optical distortion, and BM layer curvature (represented as the second derivative of the curve) was measured. Linear mixed effects (LME) modeling was used to analyze factors associated with BM layer curvature, both before and after distortion correction. Results: WD exhibited significant associations with axial length (β = -1.35, P < 0.001), SO type (P < 0.001), and eye length settings (P < 0.001). After optical distortion correction, the mean ± SD BM layer curvature significantly increased from 16.80 ± 10.08 µm-1 to 49.31 ± 7.50 µm-1 (P < 0.001). The LME model showed a significant positive association between BM layer curvature and WD (β = 1.94, P < 0.001). After distortion correction, the percentage change in BM layer curvature due to a 1-mm WD alteration decreased from 9.75% to 0.25%. Conclusions: Correcting optical distortion in OCT imaging significantly mitigates the influence of WD on BM layer curvature, enabling a more accurate analysis of posterior eye morphology, especially when variations in WD are unavoidable.
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 | 0,004 |
| 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 | 0,002 |
| 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 ».