Enhancing Choroidal Nevi Segmentation in Fundus Images Using YOLO
Notice bibliographique
Résumé
Choroidal nevus often appears as a darkly pigmented, benign ocular lesion, which may progress to malignant forms, such as choroidal melanoma. Prompt and precise diagnosis of choroidal melanoma cannot be overstated as untreated cases can lead to vision loss and even life-threatening metastasis, under-scoring the importance of regular screening of the eye. However, this procedure is performed manually, which can be time-consuming and prone to human errors. Recent advancements in deep learning show potential for detecting eye diseases, including choroidal nevi. However, these models require extensive labelled data, which can be difficult to acquire due to the associated labelling costs. In this paper, we utilize two approaches to tackle these challenges. Firstly, we leverage a pre-trained YOLOv8 segmentation model and train it on both patches and full-size high-resolution colour fundus images. This strategy effectively expands the dataset size and allows the model to focus on the fine details of lesions within individual patches while understanding the general shape of the lesions by analyzing the entire image. Secondly, we use data augmentation to further expand the dataset size and tackle the class imbalance problem. Additionally, through the utilization of post-processing techniques, we enhance the predicted masks by addressing any potential flaws. This approach resulted in a 0.833 Dice Coefficient Score and a 0.714 Intersection Over Union (IOU) in our initial dataset and a Dice score of 0.764 and IOU of 0.618 on our second test set collected from a different site. In both datasets, this approach surpassed the models trained exclusively on full-size images.
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 | 0,000 |
| 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 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 ».