Enhancing Choroidal Nevus Position Identification through CNN-Based Segmentation of Eye Fundus Images
Notice bibliographique
Résumé
Diagnosing choroidal nevus in color fundus images is challenging for clinicians not regularly practicing it. Machine learning (ML) has proven effective in detecting and analyzing such abnormalities with high accuracy and efficiencyThis research is part of a larger project to develop a decision support system for choroidal nevus diagnosis, focusing on creating a segmentation algorithm to identify key areas in color fundus images. The study evaluates and compares the efficacy of various convolutional neural network (CNN) segmentation models, a crucial step for improved image analysis accuracyFundus images from the Alberta Ocular Brachytherapy Program, including healthy and choroidal nevus-affected eyes, were used. An ocular oncologist provided a ground truth mask dataset for training the models. Preprocessing improved image features, and multiple CNN models segmented the images to detect lesions. Model performance was compared to find the most accurate and efficient approach, with external validation using a separate test set and ophthalmology expertsFour CNN models - U-net, Residual U-net, Attention U-net, and a voting-based Ensemble - were developed for segmentation. Their effectiveness was measured by accuracy metrics, achieving Dice Coefficient scores of 85.02%, 85.66%, 86.89%, and 87.7% respectively.
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 ».